Ramallah, Sharina Fitrani (2024) Perbandingan kinerja deteksi helm pengendara motor menggunakan yolo v8 dengan dan tanpa teknik augmentasi data coarse dropout. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_COVER.pdf Download (70kB) | Preview |
|
|
Text (ABSTRAK)
2_ABSTRAK.pdf Download (40kB) | Preview |
|
|
Text (DAFTAR ISI)
3_DAFTAR ISI.pdf Download (256kB) | Preview |
|
|
Text (BAB I)
4_BAB 1.pdf Download (301kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
5_BAB II.pdf Restricted to Registered users only Download (502kB) |
|
|
Text (BAB III)
6_BAB III.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB IV)
7_BAB IV.pdf Restricted to Registered users only Download (4MB) |
|
|
Text (BAB V)
8_BAB V.pdf Restricted to Registered users only Download (43kB) |
|
|
Text (DAFTAR PUSTAKA)
9_DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (529kB) |
Abstract
Penelitian ini bertujuan untuk membandingkan kinerja model YOLO V8 dalam mendeteksi helm pengendara motor dengan atau tanpa teknik augmentasi data coarse dropout. Hasil eksplorasi berbagai skenario pelatihan YOLO V8 dengan tiga rasio dataset (90% Train 10% Valid, 80% Train 20% Valid, 70% Train 30% Valid) serta konfigurasi hyperparameter menghasilkan total 24 skenario pelatihan model untuk deteksi helm. Dua model terbaik dibandingkan berdasarkan evaluasi matriks masingmasing. Model pertama (90% Train 10% Valid, Augmentasi menggunakan Roboflow, YOLO V8 Default, 30 Epoch) dengan konfigurasi Default YOLO V8 dan augmentasi data menggunakan Roboflow menunjukkan kinerja unggul dengan Precision (All) sebesar 88,2%, Recall (All) sebesar 87,1%, F1-score (All) sebesar 87,6%, mAP50 sebesar 93%, dan mAP50-95 sebesar 54,3%. Model kedua (90% Train 10% Valid, Augmentasi menggunakan Roboflow dan Coarse Dropout, YOLO V8 Default, 30 Epoch), dengan konfigurasi YOLO V8 Default dan augmentasi data menggunakan Roboflow dan coarse dropout, menunjukkan Precision (All) sebesar 94,7%, Recall (All) sebesar 84%, F1-score (All) sebesar 88,9%, mAP50 sebesar 91,3%, dan mAP50-95 sebesar 53,6%. Selain itu, model dengan hasil kinerja terbaik diintegrasikan pada website guna memvisualisasikan proses deteksi helm pengendara motor secara otomatis.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | deteksi helm; YOLO V8; augmentasi data; coarse dropout; perbandingan kinerja; evaluasi model |
| Subjects: | Special Computer Methods > Computer Vision |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Sharina Fitrani Ramallah |
| Date Deposited: | 26 Sep 2024 07:10 |
| Last Modified: | 26 Sep 2024 07:10 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/99115 |
Actions (login required)
 |
View Item |
