SAPUTRA, HUMAM EKA (2025) DETEKSI AKTIVITAS TIDAK AMAN PENGEMUDI BERBASIS ALGORITMA YOLO (YOU ONLY LOOK ONCE). Diploma thesis, POLITEKNIK KESELAMATAN TRANSPORTASI JALAN.
|
Text (ABSTRAK)
21021043-SKRIPSI-ABSTRAK.pdf Download (1MB) | Preview |
|
|
Text (BAB 1)
21021043-SKRIPSI-BAB_1.pdf Download (99kB) | Preview |
|
![[img]](http://eprints.pktj.ac.id/style/images/fileicons/text.png) |
Text (BAB 2)
21021043-SKRIPSI-BAB_2.pdf Restricted to Registered users only Download (745kB) | Request a copy |
|
|
Text (BAB 3)
21021043-SKRIPSI-BAB_3.pdf Restricted to Registered users only Download (190kB) | Request a copy |
|
|
Text (BAB 4)
21021043-SKRIPSI-BAB_4.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
|
Text (BAB 5)
21021043-SKRIPSI-BAB_5.pdf Download (99kB) | Preview |
|
|
Text (LAMPIRAN)
21021043-SKRIPSI-LAMPIRAN.pdf Restricted to Registered users only Download (2MB) | Request a copy |
Abstract
Perilaku mengemudi tidak aman seperti menggunakan ponsel, makan, minum, dan merokok merupakan salah satu penyebab utama kecelakaan lalu lintas. Deteksi dini terhadap aktivitas ini penting untuk meningkatkan keselamatan berkendara. Algoritma YOLO (You Only Look Once) menawarkan solusi real-time berbasis computer vision yang cepat dan akurat dalam mendeteksi objek. Penelitian ini mengevaluasi performa tiga versi algoritma YOLOv8, YOLOv9, dan YOLOv11—dalam mendeteksi perilaku tidak aman pengemudi. Dataset yang digunakan berjumlah 1000 gambar, dikumpulkan dari sumber publik dan video pribadi, kemudian diperluas melalui augmentasi pencahayaan dengan rentang kecerahan -25% hingga 25%. Model dilatih menggunakan GPU T4 di Google Colab dalam sembilan skenario berdasarkan kombinasi versi dan tipe model (nano, small, medium). Evaluasi dilakukan menggunakan lima metrik utama yaitu mAP50, precision, recall, F1-score, dan kecepatan komputasi, serta divisualisasikan melalui radar chart. Hasil evaluasi menunjukkan bahwa YOLOv11s merupakan model paling optimal, dengan mAP50 sebesar 0,953, precision 0,956, recall 0,960, dan F1-score 0,92. Model ini kemudian diimplementasikan pada video simulasi dengan pencahayaan ekstrem (-30% hingga -60%). Pada tingkat -30%, performa masih stabil meskipun mulai muncul penurunan confidence dan false positive. Namun, pada -40% ke bawah, terjadi peningkatan signifikan false positive dan false negative, menandakan penurunan kemampuan model dalam mengenali fitur visual di kondisi gelap. Temuan ini menunjukkan bahwa meskipun YOLOv11s efektif untuk kondisi normal hingga sedang, diperlukan pengembangan lebih lanjut untuk mengatasi tantangan deteksi pada pencahayaan ekstrem.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | YOLO, Deteksi objek, Aktivitas tidak aman Pengemudi, Augmentasi kecerahan |
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Rekayasa Sistem Transportasi Jalan > Rekayasa Sistem Transportasi Jalan |
| Depositing User: | 21021043 21021043 |
| Date Deposited: | 10 Jul 2025 02:09 |
| Last Modified: | 10 Jul 2025 02:09 |
| URI: | http://eprints.pktj.ac.id/id/eprint/3640 |
Actions (login required)
 |
View Item |
