Penerapan YOLOv5 untuk Mendeteksi Jenis Kendaraan

Al-Haqi, Muhammad Akmal (2023) Penerapan YOLOv5 untuk Mendeteksi Jenis Kendaraan. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	Text HALAMAN_AWAL.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (7MB)
	Text DAFTAR_PUSTAKA.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (2MB)
	Text BAB_I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (2MB)
	Text BAB_II.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (6MB)
	Text BAB_III.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (6MB)
	Text BAB_IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (13MB)
	Text BAB_V.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)

Abstract

Saat ini, pengenalan objek dan pengenalan kendaraan menjadi topik yang sangat penting dalam perkembangan teknologi automasi. Salah satu cara untuk mengatasi tantangan tersebut adalah dengan menggunakan teknik deep learning seperti YOLO (You Only Look Once). YOLOv5 adalah salah satu model terbaru yang dikembangkan untuk mengatasi masalah ini. Pada penelitian ini, metode YOLOv5 digunakan untuk mendeteksi jenis kendaraan. Data yang digunakan dalam penelitian ini dibagi menjadi tiga bagian yaitu training (60%), validation (10%) dan test (30%). Tujuan dari pembagian atau splitting data ini adalah untuk melatih model, memvalidasi secara objektif, dan menguji kinerjanya. Hasil penelitian ini menunjukkan bahwa setelah 5 kali percobaan, model yang dihasilkan dapat mencapai akurasi 81%. Hal ini menunjukkan kemampuan model dalam mengidentifikasi kendaraan dengan tingkat keberhasilan yang tinggi. Selain itu, rata-rata FPS (frame per second) yang dihasilkan oleh model ini adalah 5.86 FPS, yang menunjukkan performa yang baik dalam deteksi jenis kendaraan secara real-rime. Kesimpulannya, penerapan YOLOvs untuk mendeteksi jenis kendaraan dengan distribusi data 60:10:30 untuk training, validation dan test dapat memberikan hasil rata-rata 5.86 frame per detik dengan akurasi 81%o menunjukkan potensi dan keefektifan metode ini untuk deteksi kendaraan secara real-time.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deep Learning ,Machine Learning, Object Detection, PyTorch, Yolov5
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.3 Artificial Intelligence, Machine Learning, Pattern Recognition, Data Mining
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	29 Feb 2024 04:14
Last Modified:	29 Feb 2024 04:29
URI:	https://kc.umn.ac.id/id/eprint/28018

Actions (login required)

View Item