IMPLEMENTASI YOLOv8n UNTUK DETEKSI ROKOK PADA KAWASAN TANPA ROKOK

ARDIANSYAH, MUHAMMAD AHNAF (2025) IMPLEMENTASI YOLOv8n UNTUK DETEKSI ROKOK PADA KAWASAN TANPA ROKOK. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 123210069_COVER.pdf Download (225kB)
	Text 123210069_ABSTRAK.pdf Download (123kB)
	Text 123210069_HALAMAN PENGESAHAN PEMBIMBING.pdf Download (329kB)
	Text 123210069_HALAMAN PENGESAHAN PENGUJI.pdf Download (366kB)
	Text 123210069_DAFTAR ISI.pdf Download (144kB)
	Text 123210069_DAFTAR PUSTAKA.pdf Download (125kB)
	Text 123210069_NASKAH TA LENGKAP.pdf Restricted to Repository staff only Download (3MB)

Abstract

Kawasan Tanpa Rokok (KTR) merupakan kebijakan penting dalam pengendalian
konsumsi rokok di ruang publik. Namun, pengawasan terhadap pelanggaran KTR hingga
kini masih dilakukan secara manual, sehingga kurang efisien, tidak konsisten, dan sulit
diterapkan secara luas. Penelitian ini bertujuan untuk membangun model deteksi objek rokok
secara otomatis dan real-time menggunakan algoritma YOLOv8n, yang merupakan varian
ringan dari keluarga You Only Look Once (YOLO). Fokus utama penelitian adalah
mengembangkan sistem deteksi yang akurat, efisien, dan dapat diintegrasikan ke dalam
aplikasi berbasis web.
Dataset yang digunakan terdiri dari 7.000 gambar, dengan komposisi 50% citra
beranotasi objek rokok (positif) dan 50% citra negatif tanpa objek rokok. Dataset dibagi
menjadi tiga bagian berdasarkan proporsi 70% untuk pelatihan (training), 20% untuk
validasi, dan 10% untuk pengujian (testing). Model YOLOv8n dilatih dalam tiga konfigurasi
jumlah epoch (50, 75, dan 100) untuk mengevaluasi pengaruh durasi pelatihan terhadap
performa model. Evaluasi dilakukan berdasarkan metrik precision, recall, mean Average
Precision (mAP), dan F1-score. Hasil menunjukkan bahwa pelatihan selama 100 epoch
memberikan performa terbaik dengan nilai precision sebesar 0,890, recall 0,834, mAP@0.5
0,882, dan mAP@0.5:0.95 sebesar 0,531. Pengujian lanjutan dilakukan terhadap model
terbaik menggunakan data uji nyata untuk mengevaluasi keandalan deteksi pada tiga tingkat
confidence threshold (0,40; 0,65; dan 0,95). Pengujian mencakup tiga jenis citra uji: citra
yang mengandung objek rokok, citra kosong, dan citra dengan objek pengecoh yang
menyerupai rokok. Threshold 0,40 menghasilkan kinerja terbaik dengan F1-score tertinggi
sebesar 0,889, meskipun meningkatkan jumlah false positive. Sebaliknya, threshold 0,95
menghasilkan deteksi nol.
Secara keseluruhan, penelitian ini membuktikan bahwa YOLOv8n mampu
menghasilkan model deteksi rokok yang akurat dan efisien, meskipun merupakan varian
ringan. Model ini telah diintegrasikan ke dalam aplikasi web berbasis Streamlit untuk
keperluan visualisasi dan pengujian interaktif secara langsung. Namun, model masih
memiliki beberapa kelemahan, seperti kesulitan mendeteksi objek rokok yang berada cukup
jauh, terhalang sebagian, atau muncul bersamaan dengan objek pengecoh. Selain itu, masih
sering terjadi kesalahan deteksi (false detection) terhadap objek lain yang bentuk atau
warnanya menyerupai rokok.
Kata kunci: YOLOv8, deteksi objek, rokok, kawasan tanpa rokok, deep learning,
computer vision.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	MUHAMMAD AHNAF ARDIANSYAH (Penulis - 123210069) ; Agus Sasmito (Pembimbing)
Uncontrolled Keywords:	YOLOv8, deteksi objek, rokok, kawasan tanpa rokok, deep learning, computer vision
Subjek:	Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	21 Nov 2025 03:30
Last Modified:	21 Nov 2025 03:30
URI:	http://eprints.upnyk.ac.id/id/eprint/45669

Actions (login required)

View Item