Sistem Deteksi Pelanggaran Pengguna Sepeda Motor Tanpa Helm Menggunakan Metode CNN Arsitektur Yolo Berbasis Sistem Tertanam

BHAGAWANTA, Bariq Baharudin (2024) Sistem Deteksi Pelanggaran Pengguna Sepeda Motor Tanpa Helm Menggunakan Metode CNN Arsitektur Yolo Berbasis Sistem Tertanam. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) cover.pdf Download (171kB)
	PDF (Legalitas) Legalitas.pdf Restricted to Repository staff only Download (1MB)
	PDF (Abstrak) abstrak.pdf Download (442kB)
	PDF (BabI) BAB I.pdf Restricted to Repository staff only until 23 December 2025. Download (405kB)
	PDF (BabII) BAB II.pdf Restricted to Repository staff only until 23 December 2025. Download (1MB)
	PDF (BabIII) BAB III.pdf Restricted to Repository staff only until 23 December 2025. Download (447kB)
	PDF (BabIV) BAB IV.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabV) BAB V.pdf Download (401kB)
	PDF (DaftarPustaka) Daftar Pustaka.pdf Download (400kB)

Abstract

Keselamatan berkendara adalah aspek kritis dalam kehidupan sehari-hari yang tidak dapat diabaikan. Mengendarai kendaraan bermotor, seperti sepeda motor atau mobil, membawa sejumlah risiko, dan penting untuk mengadopsi langkah-langkah keselamatan yang sesuai. Penggunaan helm merupakan salah satu langkah untuk meningkatkan keselamatan dalam berkendara, hal ini diatur dalam Undang – undang nomor 22 tahun 2009 tentang Lalu Lintas dan Angkutan Jalan (LLAJ). Namun dalam kehidupan sehari – hari masih banyak sekali pengguna sepeda motor yang melanggar peraturan tersebut. Petugas keamanan seringkali kesulitan untuk mengidentifikasi pelanggaran yang terjadi karena tidak sebandingnya jumlah antara pelanggar dan petugas keamanan. Penerapan Machine Learning metode CNN arsitektur YOLO diyakini dapat membantu petugas keamanan dalam mengidentifikasi pelanggaran yang terjadi. Program ini dibuat dalam bentuk sistem tertanam berupa Raspberry Pi 4. Dari hasil training model menggunakan 1056 gambar dengan 30 epochs didapatkan hasil untuk F1 score tertinggi berada di angka 0.88 ketika confidence score yang digunakan bernilai 0.426. dan untuk akurasi modelnya sendiri berada di angka 74,9% . Pengujian sistemnya sendiri menggunakan metode Blackbox dari 5 fitur yang diuji menunjukan hasil valid, tapi pada pengukuran FPS hanya mendapatkan rata – rata 1.76 frame per second ketika sistem dijalankan. Hal ini menunjukkan bahwa sistem sudah memenuhi secara fungsionalitas tetapi belum memenuhi secara performa.

Item Type:	Thesis (Skripsi)
Nomor Inventaris:	H24423
Uncontrolled Keywords:	Keselelamatan Bermotor, Machine Learning, Raspberry Pi, Sistem Tertanam, You Only Look Once
Subjects:	I > I32 Image processing software S > S900 System design V > V35 Vehicles
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Mr Bariq Baharudin Bhagawanta
Date Deposited:	23 Dec 2024 00:51
Last Modified:	23 Dec 2024 00:51
URI:	http://repository.unsoed.ac.id/id/eprint/30989

Actions (login required)

View Item

Search for collections on Repository Universitas Jenderal Soedirman