DETEKSI MARKA JALAN SECARA REAL-TIME BERBASIS YOU ONLY LOOK ONCE SEBAGAI UPAYA PENGINGAT UNTUK PENGENDARA DALAM BERKENDARA

PRATAMA, RAJU WAHYUDI and Faurina, Ruvita (2023) DETEKSI MARKA JALAN SECARA REAL-TIME BERBASIS YOU ONLY LOOK ONCE SEBAGAI UPAYA PENGINGAT UNTUK PENGENDARA DALAM BERKENDARA. Undergraduated thesis, Universitas Bengkulu.

[img] Text
skipsi_upload - Raju Wahyudi.pdf - Bibliography
Restricted to Repository staff only
Available under License Creative Commons GNU GPL (Software).

Download (2MB)

Abstract

Kecelakaan yang disebabkan pelanggaran lalu lintas terutama pelanggaran marka jalan dan tidak menggunakan helm menjadi kasus terbanyak hingga mencapai 2,4 pelanggaran pada tahun 2018. Pemberitahuan dini untuk pengendara sangat dibutuhkan untuk menekan angka pelanggaran marka tersebut. Penggunaan teknologi informasi berbasis deep learning merupakan salah satu solusi yang dapat digunakan oleh pengendara karena mudah diterapkan di lapangan. Penelitian ini bertujuan untuk menghasilkan dataset teranotasi pada marka jalan yang ada di Indonesia baru yang dapat digunakan untuk semua orang khususnya untuk tugas identifikasi, menghasilkan model YOLO untuk mengembangkan aplikasi pengenalan dan pendeteksian marka jalan dengan memanfaatkan model tersebut dan menghasilkan aplikasi deteksi marka jalan berbasis android. Penelitian dilaksanakan dari bulan juli 2021 hingga oktober 2022. Pengumpulan data dilakukan dengan melakukan observasi langsung ke lapangan dan menggunakan video dari dashboard camera mobil , kemudian melakukan preprocessing dan augmentasi pada data sehingga mendapatkan data berjumlah 4.994 gambar. Model terbagus yang dihasilkan ketika penulis menetapkan nilai dan menghasilkan epoch sebanyak 1000. Penulis melakukan evaluasi terhadap model dengan menggunakan matric MAP dan confusion matrix berdasarkan nilai IoU threshold sebesar 0,5 dan 0,75. Aplikasi dibuat berdasarkan model terbagus yang diperoleh. Aplikasi yang dihasilkan berbasis android yang dapat diunduh di play store. Kata kunci : Object Detection, Deep Learning, Yolov5, Marka jalan

Item Type: Thesis (Undergraduated)
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Informatics Engineering
Depositing User: 58 lili haryanti
Date Deposited: 20 Nov 2023 07:00
Last Modified: 20 Nov 2023 07:00
URI: http://repository.unib.ac.id/id/eprint/17289

Actions (login required)

View Item View Item