SISTEM DETEKSI PELANGGARAN HELM BERBASIS YOU ONLY LOOK ONCE v8 YOLOv8) DAN FLASK

Octavia, I Gusti Ayu Adiani (2024) SISTEM DETEKSI PELANGGARAN HELM BERBASIS YOU ONLY LOOK ONCE v8 YOLOv8) DAN FLASK. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2015101027--COVER.pdf
Download (2MB)
[img] Text (ABSTRAK)
2015101027--ABSTRAK.pdf
Download (1MB)
[img] Text (BAB 1 PENDAHULUAN)
2015101027--BAB 1 PENDAHULUAN.pdf
Download (984kB)
[img] Text (BAB 2 KAJIAN TEORI)
2015101027--BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (1MB)
[img] Text (BAB 3 METODOLOGI PENELITIAN)
2015101027--BAB 3 METODOLOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (1MB)
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2015101027--BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (2MB)
[img] Text (BAB 5 PENUTUP)
2015101027--BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (973kB)
[img] Text (DAFTAR PUSTAKA)
2015101027--DAFTAR PUSTAKA.pdf
Download (858kB)
[img] Text (LAMPIRAN)
2015101027--LAMPIRAN.pdf
Download (2MB)

Abstract

Tingginya angka kecelakaan lalu lintas menimbulkan korban jiwa karena cedera kepala yang disebabkan oleh pengendara sepeda motor yang tidak mengenakan helm mendorong pentingnya penelitian ini. Keterbatasan sumber daya dalam melakukan razia dan mengawasi penggunaan helm untuk menekan angka pelanggaran membutuhkan solusi berupa sistem otomatis yang dapat mendeteksi pengendara sepeda motor yang tidak menggunakan helm. Pada penelitian ini menggunakan YOLOv8 untuk mengahasilkan model deteksi pengendara yang melanggar. YOLOv8 dipilih karena memenuhi kebutuhan deteksi cepat, akurasi tinggi, dan penerapan pada perangkat edge yang terbatas. Penelitian ini telah menghasilkan model yang dapat mendeteksi pengendara sepeda motor yang melanggar aturan tidak menggunakan helm. Dataset yang digunakan terdiri dari berbagai gambar pengendara motor dan aksesoris kepala, yang kemudian dianotasi dan dilatih menggunakan lima versi model YOLOv8 (nano, small, medium, large, xlarge). Hyperparameter default YOLOv8 digunakan dengan learning rate 0.01, optimizer SGD, batch size 16, weight decay 0.001, dan 100 epochs. Dari hasil pelatihan, model terbaik dipilih berdasarkan nilai recall tertingg yaitu model xlarge. Recall dari model pengendara sebesar 95,2% dan recall dari model penggunaan helm sebesar 92%. Pada data testing jika dhitung berdasarkan hasil deteksinya nilai recall untuk model deteksi pengendara sebesar 96% dan deteksi penggunnaan helm sebesar 91,5%. Dari segi kecepatan inference model versi xlarge memiliki kecepatan 28 ms pada model deteksi pengendara dan 29,9 ms pada deteksi penggunaan helm. Model terbaik ini berhasil diimplementasikan pada sistem berbasis Flask, dengan input berupa video real-time dan video upload. Sistem mampu mendeteksi pengendara sepeda motor dan memeriksa penggunaan helm. Sistem juga berhasil menyimpan gambar pengendara yang melanggar tidak menggunakan helm.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: YOLOv8, Pelanggaran Helm, Flask, Deteksi Objek
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: I Gusti Ayu Adiani Octavia
Date Deposited: 01 Aug 2024 04:26
Last Modified: 01 Aug 2024 04:26
URI: http://repo.undiksha.ac.id/id/eprint/21706

Actions (login required)

View Item View Item