TRIYANDINI, SILVISTRA NOVELIA (2026) DETEKSI KNALPOT BERKARAT PADA KENDARAAN BERMOTOR BERBASIS ALGORITMA YOLOv11s DAN GRAY LEVEL CO-OCCURRENCE MATRIX. Diploma thesis, POLITEKNIK KESELAMATAN TRANSPORTASI JALAN.
|
Text (ABSTRAK)
23033049-KKW-ABSTRAK.pdf Download (1MB) | Preview |
|
|
Text (BAB 1)
23033049-KKW-BAB_1.pdf Download (74kB) | Preview |
|
![[img]](http://eprints.pktj.ac.id/style/images/fileicons/text.png) |
Text (BAB 2)
23033049-KKW-BAB_2.pdf Restricted to Registered users only Download (653kB) | Request a copy |
|
|
Text (BAB 3)
23033049-KKW-BAB_3.pdf Restricted to Registered users only Download (567kB) | Request a copy |
|
|
Text (BAB 4)
23033049-KKW-BAB_4.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
|
Text (BAB 5)
23033049-KKW-BAB_5.pdf Download (76kB) | Preview |
|
|
Text (LAMPIRAN)
23033049-KKW-LAMPIRAN.pdf Restricted to Registered users only Download (1MB) | Request a copy |
Abstract
Inspeksi knalpot kendaraan bermotor dalam pengujian berkala masih dilakukan secara manual, sehingga rentan terhadap subjektivitas dan human error serta tidak efisien untuk skala massal di Unit Pelaksana Teknis Pengujian Kendaraan Bermotor (PKB). Penelitian ini mengimplementasikan algoritma YOLOv11s untuk mendeteksi knalpot berkarat secara otomatis, mengevaluasi kinerja model, serta menganalisis tekstur permukaan menggunakan metode Gray Level Co-occurrence Matrix (GLCM) sebagai alat bantu inspeksi uji kolong kendaraan. Data primer dikumpulkan di UPT. PPTP Kota Tangerang berupa 500 gambar dua kelas (knalpot normal dan berkarat) dari kendaraan JBB di bawah 3,5 ton, dibagi menjadi 350 data latih, 100 validasi, dan 50 data uji. Anotasi bounding box dilakukan di Roboflow; model dilatih 30 epoch dengan optimizer AdamW dan confidence threshold 0,5 di Google Colab. Analisis GLCM dilakukan pada area cropping bounding box menggunakan empat sudut arah dan kuantisasi 16 level untuk mengekstrak fitur contrast, correlation, energy, dan homogeneity. Model YOLOv11s mencapai mAP50 sebesar 0,926 dan akurasi global 76,56%. Kelas knalpot normal menghasilkan Precision 0,963, Recall 0,945, F1-Score 0,954; kelas knalpot berkarat memperoleh Precision 0,767, Recall 0,855, F1-Score 0,809. Selisih mAP50 dan akurasi global disebabkan 23 false positive dari latar belakang. Analisis GLCM pada 29 objek berkarat menghasilkan rata-rata contrast 0,3794, energy 0,2624, homogeneity 0,8812, correlation 0,9727, dan waktu pemrosesan rata-rata 245,3 ms per frame. Dengan demikian, kombinasi YOLOv11s dan GLCM terbukti mampu mendeteksi korosi knalpot secara otomatis dengan performa memadai. Nilai homogeneity tinggi (0,8812) dan contrast rendah (0,3794) mengonfirmasi kemampuan GLCM membedakan tekstur permukaan secara kuantitatif. Penelitian lanjutan disarankan memperluas dataset lintas lokasi PKB, menambah klasifikasi tingkat keparahan karat, dan melakukan validasi silang dengan teknisi untuk meningkatkan generalisasi sistem. Kata kunci: deteksi objek, GLCM, knalpot berkarat, kendaraan bermotor, YOLOv11s
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | deteksi objek, GLCM, knalpot berkarat, kendaraan bermotor, YOLOv11s |
| Subjects: | T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General) |
| Divisions: | Teknologi Otomotif > Teknologi Otomotif |
| Depositing User: | 23033049 23033049 |
| Date Deposited: | 23 Jun 2026 01:20 |
| Last Modified: | 23 Jun 2026 01:20 |
| URI: | http://eprints.pktj.ac.id/id/eprint/4728 |
Actions (login required)
 |
View Item |
