BASHARAT, Fachri (2024) Implementasi Yolov8 untuk Mendeteksi Keadaan Darurat: Kecelakaan, Pohon Tumbang, dan Kebakaran. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Fachri Basharat-HA019043-Skripsi-2024.pdf Download (190kB)
	PDF (Legalitas) LEGALITAS-Fachri Basharat-HA019043-Skripsi-2024.pdf Restricted to Repository staff only Download (3MB)
	PDF (Abstrak) ABSTRAK-Fachri Basharat-HA019043-Skripsi-2024.pdf Download (703kB)
	PDF (BabI) BAB-I-Fachri Basharat-HA019043-Skripsi-2024.pdf Restricted to Repository staff only until 15 January 2025. Download (1MB)
	PDF (BabII) BAB-II-Fachri Basharat-HA019043-Skripsi-2024.pdf Restricted to Repository staff only until 15 January 2025. Download (3MB)
	PDF (BabIII) BAB-III-Fachri Basharat-HA019043-Skripsi-2024.pdf Restricted to Repository staff only until 15 January 2025. Download (1MB)
	PDF (BabIV) BAB-IV-Fachri Basharat-HA019043-Skripsi-2024.pdf Restricted to Repository staff only Download (8MB)
	PDF (BabV) BAB-V-Fachri Basharat-HA019043-Skripsi-2024.pdf Download (644kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Fachri Basharat-HA019043-Skripsi-2024.pdf Download (597kB)
	PDF (Lampiran) LAMPIRAN-Fachri Basharat-HA019043-Skripsi-2024.pdf Restricted to Repository staff only Download (5MB)

Abstract

Keadaan darurat, seperti kecelakaan lalu lintas dan kebakaran, menjadi masalah serius di Indonesia. Statistik menunjukkan tingginya jumlah kecelakaan lalu lintas dan kebakaran, yang memicu kerugian besar. Teknologi deteksi kecelakaan saat ini terbatas, menyebabkan penundaan dalam memberikan pertolongan. Korban sering kali bergantung pada pertolongan orang lain untuk diantarkan ke rumah sakit.Terkadang kecelakaan bahkan tidak dilaporkan selama berjam-jam sebelum bantuan tiba. Akibat dari semua situasi ini adalah tingkat kematian yang tinggi di antara korban kecelakaan. Oleh karena itu, pengembangan sistem deteksi darurat yang responsif menjadi sangat penting. Pengimplementasian teknologi object detection, YOLOv8, dapat memberikan solusi efektif untuk meningkatkan respons dan mitigasi dampak negatif dari kejadian darurat tersebut. Fokus penelitian adalah membandingkan kinerja dua model YOLOv8, yaitu Nano dan Small, dalam mendeteksi kecelakaan, pohon tumbang, dan kebakaran. Dataset sebanyak 4.145 gambar diperoleh dari Roboflow dan Kaggle, memberikan representasi mendalam terhadap berbagai situasi keadaan darurat. Melalui proses preprocessing dan augmentasi, dataset disiapkan untuk pelatihan model. Implementasi model menggunakan konfigurasi tertentu, dan pengujian dilakukan terhadap dataset uji serta live camera dengan library computer vision. Hasil penelitian menunjukkan bahwa YOLOv8 Small cenderung unggul dalam performa deteksi, terutama dalam presisi, recall, dan nilai F1, dibandingkan dengan YOLOv8 Nano. Evaluasi pada live camera mengonfirmasi keandalan model dalam situasi nyata, dengan mencapai akurasi maksimal 100%. Grafik perbandingan antara kedua versi model memberikan gambaran visual yang memperkuat temuan ini. Kesimpulannya, pemilihan model deteksi perlu disesuaikan dengan kebutuhan spesifik, dan YOLOv8 Small menjadi pilihan yang lebih unggul dalam beberapa konteks aplikasi deteksi keadaan darurat.

Actions (login required)

View Item