Komparasi YOLOv7, YOLOv8, dan YOLOv9 dalam mendeteksi Ketersediaan Tempat Parkir Kosong pada Intensitas Cahaya Rendah

Lionardo, Darren (2024) Komparasi YOLOv7, YOLOv8, dan YOLOv9 dalam mendeteksi Ketersediaan Tempat Parkir Kosong pada Intensitas Cahaya Rendah. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (214kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Download (853kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (21MB)
	PDF BAB_V.pdf Download (209kB)
	PDF DAFTAR_PUSTAKA.pdf Download (211kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (202kB)

Abstract

Jumlah kendaraan semakin bertambah dan kemacetan menjadi hal yang tidak heran terjadi pada zaman sekarang ini. Hal ini menyebabkan koordinasi tempat parkir yang semakin kacau dikarenakan penuhnya kapasitas kendaraan. Dengan teknologi yang semakin berubah ke arah artificial intelligence (AI), muncul beberapa solusi CNN (convolutional neural network) dalam menangani masalah ini menggunakan citra digital, yaitu seperti algoritma YOLO (you only look once). Beberapa penelitian sebelumnya telah banyak menggunakan algoritma YOLO seperti YOLOv5, YOLOv7 dan YOLOv8, tetapi banyak diantaranya yang memiliki limitasi dalam kondisi intensitas cahaya. Dengan munculnya iterasi YOLO baru, yaitu YOLOv9, dalam penelitian ini dilakukan komparasi terhadap 3 jenis iterasi YOLO, yaitu YOLOv7, YOLOv8, dan YOLOv9 dalam mendeteksi ketersediaan tempat parkir yang kosong. Setiap model dilatih pada 2 jenis dataset yang memiliki citra dengan perspektif kamera atas dan samping sehingga dihasilkan 6 jenis model berbeda. Model-model ini dievaluasi menggunakan 6 jenis dataset yang memiliki variasi perspektif, jarak kamera, serta kondisi intensitas cahaya yang beragam. Kesimpulan dari penelitian ini, hasil evaluasi model pada intensitas cahaya rendah dengan grayscale intensity value yang berkisar 47.76 sampai dengan 65.93, menunjukkan bahwa YOLOv9 memberikan akurasi [email protected] tertinggi untuk semua kondisi, YOLOv8 memberikan akurasi [email protected] terendah untuk lokasi sama dan jarak kamera yang jauh (30-60 pixel ukuran boyek deteksi), dan YOLOv7 memberikan akurasi [email protected] terendah untuk lokasi beragam dan jarak kamera yang berkisar dekat sampai dengan jauh (30-160 pixel ukuran obyek deteksi).

Item Type:	Thesis (Bachelor Thesis)
Keywords:	CNN, Deteksi Lahan Parkir, YOLOv7, YOLOv8, YOLOv9
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 09:05
Last Modified:	11 Nov 2024 09:05
URI:	https://kc.umn.ac.id/id/eprint/34161

Actions (login required)

View Item