PUTRA, GUSTIAN BHAGASKARA ADYATMA (2026) IMPLEMENTASI ALGORITMA YOLOv11s UNTUK DETEKSI KERUSAKAN TRANSMISI PADA KENDARAAN BERMOTOR. Diploma thesis, POLITEKNIK KESELAMATAN TRANSPORTASI JALAN.
|
Text (ABSTRAK)
23033035-KKW-ABSTRAK.pdf Download (935kB) | Preview |
|
|
Text (BAB1)
23033035-KKW-BAB_1.pdf Download (125kB) | Preview |
|
![[img]](http://eprints.pktj.ac.id/style/images/fileicons/text.png) |
Text (BAB2)
23033035-KKW-BAB_2.pdf Restricted to Registered users only Download (617kB) | Request a copy |
|
|
Text (BAB3)
23033035-KKW-BAB_3.pdf Restricted to Registered users only Download (561kB) | Request a copy |
|
|
Text (BAB4)
23033035-KKW-BAB_4.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
|
Text (BAB5)
23033035-KKW-BAB_5.pdf Download (135kB) | Preview |
|
|
Text (LAMPIRAN)
23033035-KKW-LAMPIRAN.pdf Restricted to Registered users only Download (2MB) | Request a copy |
Abstract
Sistem pemindah daya pada kendaraan bermotor, khususnya transmisi,merupakan komponen vital yang berfungsi meneruskan daya dari mesin ke roda penggerak serta mengatur torsi dan kecepatan kendaraan. Kerusakan transmisi seperti rembesan oli dapat menurunkan efisiensi tenaga dan mengganggu sinkronisasi perpindahan gigi. Namun, pemeriksaan transmisi pada uji berkala kendaraan bermotor, khususnya di area Kolong, masih dilakukan secara visual manual dan sangat bergantung pada ketelitian penguji, sehingga rentan mengalami keterbatasan kecepatan serta akurasi pada kondisi pencahayaan rendah dan permukaan berdebu. Penelitian ini bertujuan membangun sistem deteksi objek otomatis untuk komponen transmisi dan area rembeOnly Look Once versi YOLOv11 varian small (YOLOv11s). Tahapan penelitian meliputi pengumpulan 500 citra komponen transmisi, anotasi dataset melalui Roboflow ke dalam dua kelas yaitu TRANSMISI dan OLI-REMBES, pelatihan modelpada lima versi dataset bertingkat (100 hingga 500 gambar) menggunakan Google Colab, serta evaluasi performa berdasarkan parameter Precision, Recall, F1-score, mAP@0.5, dan mAP@0.5:0.95. Hasil pengujian menunjukkan bahwa dataset 500 memberikan performa palingseimbang dengan Precision sebesar 88,3%, Recall 86,9%, F1-score 87,6%, mAP@0.5 sebesar 88,7%, dan mAP@0.5:0.95 sebesar 63,7%. Model YOLOv11s dataset 500 terbukti mampu mengenali dan mengklasifikasikan komponen TRANSMISI maupun area OLI-REMBES secara akurat pada berbagai sudut pandang, kondisi pencahayaan rendah, dan permukaan berdebu yang merupakan kondisi nyata lorong uji kolong kendaraan bermotor. Dengan penerapan sistem deteksi otomatis ini, proses inspeksi kerusakan transmisi pada uji berkala menjadi lebih cepat, efisien, dan akurat, sekaligus mendorong pemanfaatan kecerdasan buatan untuk meningkatkan keselamatan transportasi darat di Indonesia. Kata kunci: YOLOv11s, Deteksi Objek, Transmisi, Rembesan Oli, Uji Berkala Kendaraan Bermotor, Visi Komputer
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | YOLOv11s, Deteksi Objek, Transmisi, Rembesan Oli, Uji Berkala Kendaraan Bermotor, Visi Komputer |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Teknologi Otomotif > Teknologi Otomotif |
| Depositing User: | 23033035 23033035 |
| Date Deposited: | 15 Jul 2026 04:00 |
| Last Modified: | 15 Jul 2026 04:00 |
| URI: | http://eprints.pktj.ac.id/id/eprint/4830 |
Actions (login required)
 |
View Item |
