Rancang Bangun Object Detection untuk Mendeteksi Ambulans Menggunakan Yolo V3

Ibnu Sagara, Dias (2023) Rancang Bangun Object Detection untuk Mendeteksi Ambulans Menggunakan Yolo V3. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (434kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (173kB) | Preview
Preview	PDF BAB_I.pdf Download (65kB) | Preview
Preview	PDF BAB_II.pdf Download (640kB) | Preview
Preview	PDF BAB_III.pdf Download (489kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (969kB)
Preview	PDF BAB_V.pdf Download (54kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (171kB)

Abstract

Penelitian ini berlatar belakang untuk merancang suatu sistem Object Detection yang bertujuan untuk mendeteksi kendaraan ambulans. Tujuan lain dari penelitian ini adalah di untuk mengetahui performa dari YOLO v3 dan juga agar dapat diimplementasi pada Self Driving Car. Melalui penelitian ini diharapkan dapat menjadi sumber informasi, referensi serta data untuk observasi yang dapat digunakan kedepan nya. Penelitian ini menggunakan algoritma YOLO v3 dengan menggunakan framework Darknet. Penelitian dilakukan dengan menggunakan 3 model. Masing ­ masing model di training menggunakan jumlah dataset yang berbeda ­ beda. Model pertama menggunakan 685 gambar, model kedua menggunakan 856 gambar dan model ketiga menggunakan 1109 gambar. Dari hasil penelitian yang dilakukan, didapatkan hasil terbaik yaitu model ketiga. Dengan nilai Recall 0,93, Precision 0,93, F1 Score 0,94 dan Average Precision sebesar 0,93.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Darknet, Object Detection, YOLO v3
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	09 Mar 2023 09:02
Last Modified:	29 May 2023 08:10
URI:	https://kc.umn.ac.id/id/eprint/23485

Actions (login required)

View Item