PRAMANA, I GUSTI BAGUS ALIT WIDYA (2026) RANCANG BANGUN ALAT DETEKSI AMBULANS DENGAN KENDALI LAMPU LALU LINTAS BERBASISYOLO. Diploma thesis, POLITEKNIK KESELAMATAN TRANSPORTASI JALAN.
|
Text (ABSTRAK)
22021017-SKRIPSI-ABSTRAK.pdf Download (914kB) | Preview |
|
|
Text (BAB 1)
22021017-SKRIPSI-BAB_1.pdf Download (162kB) | Preview |
|
![[img]](http://eprints.pktj.ac.id/style/images/fileicons/text.png) |
Text (BAB 2)
22021017-SKRIPSI-BAB_2.pdf Restricted to Registered users only Download (666kB) | Request a copy |
|
|
Text (BAB 3)
22021017-SKRIPSI-BAB_3.pdf Restricted to Registered users only Download (594kB) | Request a copy |
|
|
Text (BAB 4)
22021017-SKRIPSI-BAB_4.pdf Restricted to Registered users only Download (5MB) | Request a copy |
|
|
Text (BAB 5)
22021017-SKRIPSI BAB_5.pdf Download (101kB) | Preview |
|
|
Text (LAMPIRAN)
22021017-SKRIPSI-LAMPIRAN.pdf Restricted to Registered users only Download (285kB) | Request a copy |
Abstract
Mobilitas kendaraan prioritas seperti ambulans di persimpangan perkotaan sering terhambat oleh sistem lampu lalu lintas konvensional yang tidak mampu merespons secara otomatis. Penelitian ini bertujuan untuk merancang dan membangun sistem deteksi kendaraan prioritas berbasis deep learning yang mampu mengendalikan Alat Pemberi Isyarat Lalu Lintas (APILL) secara real-time. Metode yang digunakan adalah Research and Development (R&D) eksperimental dengan mengimplementasikan algoritma YOLOv8 yang diakselerasi oleh NPU Hailo-8L pada platform Raspberry Pi 5. Kamera CCTV IP Hikvision 2 MP berfungsi sebagai sensor visual, sedangkan ESP32 berperan sebagai pengendali relay APILL melalui komunikasi UDP. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi ambulans pada jarak maksimal 120 meter dan berhasil mengaktifkan APILL pada seluruh variasi kecepatan (20-60 km/jam) dengan tingkat keberhasilan 100%. Pengujian ketepatan deteksi menunjukkan spesifisitas tinggi terhadap kendaraan non-ambulans, meskipun ditemukan false positive pada kondisi kendaraan beriringan pada jarak lebih dari 50 meter. Penelitian ini menyimpulkan bahwa integrasi deep learning pada infrastruktur lalu lintas fisik terbukti layak untuk meningkatkan keselamatan dan efisiensi penanganan darurat.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | YOLOv8,Raspberry Pi, APILL, Kendaraan Prioritas, Real-time Object Detection, Deep Learning |
| Subjects: | T Technology > T Technology (General) T Technology > TJ Mechanical engineering and machinery T Technology > TS Manufactures |
| Divisions: | Teknologi Rekayasa Otomotif > Teknologi Rekayasa Otomotif |
| Depositing User: | 22021017 22021017 |
| Date Deposited: | 18 Jun 2026 06:26 |
| Last Modified: | 18 Jun 2026 06:26 |
| URI: | http://eprints.pktj.ac.id/id/eprint/4695 |
Actions (login required)
 |
View Item |
