Implementasi Object Detection Menggunakan Algoritma YOLO dalam Mendeteksi Jumlah Penumpang pada Transportasi Bus

Miko Lee, Christofer (2023) Implementasi Object Detection Menggunakan Algoritma YOLO dalam Mendeteksi Jumlah Penumpang pada Transportasi Bus. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (471kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (211kB) | Preview
Preview	PDF BAB_I.pdf Download (313kB) | Preview
Preview	PDF BAB_II.pdf Download (334kB) | Preview
Preview	PDF BAB_III.pdf Download (620kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
Preview	PDF BAB_V.pdf Download (61kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (620kB)

Abstract

Bus umum masih sering dimanfaatkan oleh masyarakat Indonesia sebagai pilihan transportasi dalam perjalanan sehari-hari. Selain tarifnya yang terjangkau, bus umum termasuk kedalam kategori transportasi yang mudah ditemukan dan dapat dijangkau hingga ke beberapa daerah di Indonesia. Namun dalam pelaksanaanya di Indonesia, bus umum sering mengalami kepadatan penumpang dikarenakan kapasitas yang disediakan melampaui dari yang dianjurkan. Oleh karena itu, muncul beberapa kasus kecelakaan bus yang disebabkan oleh over capacity penumpang didalam bus. Masalah tersebut dapat diatasi dengan bantuan sebuah sistem yang memanfaatkan pemrograman machine learning dan algoritma seperti YOLO untuk melakukan pendeteksian objek penumpang bus dan menghitung jumlah penumpang masuk dan keluar bus. YOLO dikenal sebagai pendekatan populer dalam bidang object detection. Pendekatan YOLO berbeda dengan pendekatan lain karena melakukan deteksi objek dalam satu tahap tunggal, bukan dengan tahap pemrosesan yang terpisah seperti pada metode berbasis region proposal seperti R-CNN (Region-based Convolutional Neural Network). Sistem perhitungan penumpang dapat diimplementasikan lebih baik dibandingkan metode pendeketan object detection lainnya dengan memanfaatkan custom training dataset dengan model YOLOv8 yang merupakan YOLO versi paling terbaru. YOLOv8 berhasil membuktikan bahwa model YOLO terbaru ini lebih baik dibandingkan YOLO versi sebelumnya dan pendeketan two stage detector seperti R-CNN yang memiliki nilai rata-rata precision, recall, f1-score yang lebih optimal.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Custom Training, Jumlah Penumpang, Object Detection, Transportasi Bus, YOLOv8.
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	12 Jul 2023 09:46
Last Modified:	03 Aug 2023 05:43
URI:	https://kc.umn.ac.id/id/eprint/26116

Actions (login required)

View Item