RAMADHAN, HANIF (2025) IMPLEMENTASI ALGORITMA YOLO UNTUK DETEKSI OBJEK SISTEM PEMINDAH DAYA PADA KENDARAAN BERMOTOR. Diploma thesis, POLITEKNIK KESELAMATAN TRANSPORTASI JALAN.
|
Text (ABSTRAK)
22033091-KKW-ABSTRAK.pdf Download (361kB) | Preview |
|
|
Text (BAB I)
22033091-KKW-BAB_I.pdf Download (116kB) | Preview |
|
![[img]](http://eprints.pktj.ac.id/style/images/fileicons/text.png) |
Text (BAB 2)
22033091-KKW-BAB_2.pdf Restricted to Registered users only Download (857kB) | Request a copy |
|
|
Text (BAB 3)
22033091-KKW-BAB_3.pdf Restricted to Registered users only Download (495kB) | Request a copy |
|
|
Text (BAB 4)
22033091-KKW-BAB_4.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
|
Text (BAB 5)
22033091-KKW-BAB_5.pdf Download (126kB) | Preview |
|
|
Text (LAMPIRAN)
22033091-KKW-LAMPIRAN.pdf Restricted to Registered users only Download (723kB) | Request a copy |
Abstract
Pemeriksaan sistem pemindah daya pada kendaraan bermotor sangat penting untuk menjamin keselamatan teknis dan kelayakan kendaraan di jalan. Namun dalam praktiknya, pemeriksaan bagian bawah kendaraan sering terkendala keterbatasan alat bantu visualisasi dan tidak efektifnya proses uji kolong. Untuk mengatasi permasalahan ini, dilakukan penelitian dengan memanfaatkan algoritma deteksi objek berbasis YOLO yang dapat diintegrasikan dengan kamera webcam sebagai inovasi pengujian kendaraan. Penelitian ini mengimplementasikan algoritma YOLOv8, YOLOv9, dan YOLOv11 untuk mendeteksi komponen sistem pemindah daya seperti transmisi, propeller shaft, universal joint, differential, dan axle shaft pada kendaraan pick up dengan JBB < 3,5 ton dengan konfigurasi penggerak belakang. Dataset dikumpulkan secara langsung melalui melalui dokumentasi lapangan, kemudian dilakukan proses anotasi menggunakan platform Roboflow dan pelatihan model pada Google Colab. Evaluasi model dilakukan menggunakan matriks mAP, Precision, Recall, dan F1-score. Hasil penelitian menunjukkan bahwa ketiga versi algoritma mampu mendeteksi objek dengan akurasi yang tinggi. YOLOv9 mencatat nilai mAP tertinggi sebesar 96,6, sedangkan YOLOv11 unggul dalam kecepatan inferensi sebesar 13,5 ms per citra, membuatnya ideal untuk aplikasi real-time. Model algoritma deteksi ini berhasil diimplementasikan pada proses uji kolong menggunakan kamera IP web cam, memberikan informasi visual secara transparan kepada penguji maupun pemilik kendaraan. Hasil penelitian menunjukkan bahwa penggunaan algoritma YOLO dalam sistem pengujian dapat meningkatkan efisiensi, akurasi, dan keselamatan selama proses pemeriksaan teknis komponen pemindah daya.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | Sistem Pemindah Daya, Deteksi Objek, YOLOv8, YOLOv9, YOLOv11, Pengujian Kendaraan Bermotor |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Teknologi Otomotif > Teknologi Otomotif |
| Depositing User: | 22033091 22033091 |
| Date Deposited: | 07 Aug 2025 01:08 |
| Last Modified: | 07 Aug 2025 01:08 |
| URI: | http://eprints.pktj.ac.id/id/eprint/3970 |
Actions (login required)
 |
View Item |
