Deteksi objek pada pemantauan citra udara untuk mendeteksi keberadaan pendaki gunung menggunakan algoritma YOLOv5

Widagdo, Farras Rangga (2024) Deteksi objek pada pemantauan citra udara untuk mendeteksi keberadaan pendaki gunung menggunakan algoritma YOLOv5. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_Cover.pdf Download (149kB) | Preview
Preview	Text (ABSTRAK) 2_Abstrak (6).pdf Download (179kB) | Preview
Preview	Text (DAFTAR ISI) 3_Daftar Isi.pdf Download (186kB) | Preview
Preview	Text (BAB I) 4_BAB I.pdf Download (241kB) | Preview
	Text (BAB II) 5_BAB II.pdf Restricted to Registered users only Download (459kB) | Request a copy
	Text (BAB III) 6_BAB III.pdf Restricted to Registered users only Download (425kB) | Request a copy
	Text (BAB IV) 7_BAB IV.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 8_BAB V.pdf Restricted to Registered users only Download (158kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_Daftar Pustaka.pdf Restricted to Registered users only Download (195kB) | Request a copy

Abstract

Pendakian gunung di Indonesia, sebagai salah satu bentuk pariwisata yang populer, menawarkan tantangan fisik dan mental serta keindahan alam yang menakjubkan. Namun, risiko keselamatan seperti hipotermia, tersesat, dan kekurangan logistik sering kali menjadi masalah bagi pendaki, terutama pemula yang kurang berpengalaman. Penelitian ini bertujuan untuk mengevaluasi penerapan model deteksi objek YOLOv5 pada citra udara dalam mengidentifikasi keberadaan pendaki gunung di area pegunungan dan untuk menilai hasil pengujian model tersebut. Metode yang digunakan adalah CRISP-DM (Cross-Industry Standard Process for Data Mining), yang meliputi langkah-langkah pemahaman bisnis, pemahaman data, persiapan data, modeling, evaluasi, dan penerapan. Algoritma YOLOv5 dengan arsitektur CSPDarknet53 diimplementasikan untuk mendeteksi pendaki melalui citra udara dari kamera drone. Dataset terdiri dari 2.285 gambar yang mencakup berbagai kondisi medan dan pendaki, dikelola menggunakan Roboflow dan dilabeli dengan library labelImg. Pengujian model menunjukkan performa tinggi dengan precision 91.5%, recall 84.9%, dan mAP50 91.9%. Platform OpenCV dan Google Colab terbukti efektif untuk pengembangan dan pengujian model. Penelitian ini mengkonfirmasi bahwa YOLOv5 dapat digunakan secara efektif untuk mendeteksi pendaki gunung dari citra udara, dengan performa yang memadai untuk aplikasi dalam pencarian dan penyelamatan.

Actions (login required)

View Item