PENGUKUR KECEPATAN KENDARAAN BERBASIS DETEKSI OBJEK MENGGUNAKAN ALGORITMA YOLOv4-tiny

RIAN SETIYANA, . (2024) PENGUKUR KECEPATAN KENDARAAN BERBASIS DETEKSI OBJEK MENGGUNAKAN ALGORITMA YOLOv4-tiny. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (834kB)
	Text BAB I.pdf Download (132kB)
	Text BAB II.pdf Restricted to Repository staff only Download (373kB) | Request a copy
	Text BAB III.pdf Restricted to Repository staff only Download (774kB) | Request a copy
	Text BAB IV.pdf Restricted to Repository staff only Download (882kB) | Request a copy
	Text BAB V.pdf Restricted to Repository staff only Download (121kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (136kB)
	Text LAMPIRAN.pdf Download (360kB)

Abstract

Menurut data kepolisian, tingkat kecelakaan lalu lintas di jalan raya meningkat sekitar 3 persen dari tahun 2018 ke tahun 2019. Pada tahun 2019, tercatat 109.215 kasus kecelakaan lalu lintas dengan 23.530 orang mengalami luka. Salah satu faktor utama yang meningkatkan angka kecelakaan di jalan raya adalah pengemudi yang melaju dengan kecepatan melebihi batas yang ditentukan. Untuk mengurangi jumlah kecelakaan dan meningkatkan pengawasan, diperlukan sistem pemantauan kecepatan kendaraan bermotor. Dalam konteks ini, perkembangan teknologi di bidang transportasi telah mengalami kemajuan pesat dalam beberapa tahun terakhir. Salah satu inovasi penting adalah penerapan computer vision, yang memanfaatkan kamera video untuk mengumpulkan dan menganalisis data lalu lintas, menjadikannya metode yang efektif untuk sistem deteksi kecepatan. Computer vision, sebagai cabang kecerdasan buatan, memungkinkan komputer untuk mengenali objek tertentu. Salah satu algoritma yang sangat efektif dalam penerapan computer vision untuk deteksi objek adalah You Only Look Once (YOLO). Penelitian ini memanfaatkan kemampuan deteksi objek dari algoritma YOLOv4-tiny untuk sistem pengukur kecepatan kendaraan. Algoritma YOLOv4- tiny dipilih karena ukurannya yang lebih kecil dan kemampuannya yang lebih cepat dalam mendeteksi. Penelitian ini menggunakan 2.517 dataset yang diperoleh dari hasil augmentasi data yang telah dianotasi sendiri. Proses pelatihan model YOLOv4-tiny menggunakan hyperparameter pada file konfigurasi seperti berikut: batch (32), subdivisions (16), width (512), height (512), learning_rate (0,001), max_batches (8000), dan steps (6400, 7200). Berdasarkan hyperparameter ini, nilai mean Average Precision (mAP) yang dihasilkan adalah 97,70%. Dari hasil perbandingan kecepatan prediksi dengan perhitungan manual, rata-rata persentase kesalahan relatif untuk motor adalah 2,34%, untuk mobil 2,01%, untuk bus 2,52%, dan untuk truk 2,06%. Selain itu, dari hasil perbandingan kecepatan dengan speedometer motor, nilai persentase kesalahan relatif yang dihasilkan adalah 2,63%. Hasil ini menunjukkan bahwa model YOLOv4-tiny mampu mengukur kecepatan kendaraan dengan akurasi yang cukup tinggi. ***** According to police data, the rate of traffic accidents on the roads increased by about 3 percent from 2018 to 2019. In 2019, there were 109.215 traffic accident cases with 23.530 people injured. One of the main factors contributing to the increase in road accidents is drivers exceeding the speed limit. To reduce the number of accidents and improve monitoring, a vehicle speed monitoring system is necessary. In this context, advancements in transportation technology have made significant progress in recent years. One important innovation is the application of computer vision, which utilizes video cameras to collect and analyze traffic data, making it an effective method for speed detection systems. Computer vision, as a branch of artificial intelligence, allows computers to recognize specific objects. One of the most effective algorithms in the application of computer vision for object detection is You Only Look Once (YOLO). This study leverages the object detection capabilities of the YOLOv4-tiny algorithm for a vehicle speed measurement system. The YOLOv4-tiny algorithm was chosen for its smaller model size and faster detection capabilities. This research uses 2.517 datasets obtained from data augmentation that has been self-annotated. The training process for the YOLOv4-tiny model uses hyperparameters in the configuration file as follows: batch (32), subdivisions (16), width (512), height (512), learning_rate (0,001), max_batches (8000), and steps (6400, 7200). Based on these hyperparameters, the mean Average Precision (mAP) achieved is 97,70%. From the comparison of predicted speeds with manual calculations, the average relative error percentage for motorcycles is 2,34%, for cars 2,01%, for buses 2,52%, and for trucks 2,06%. Additionally, from the comparison of speeds with motorcycle speedometers, the relative error percentage obtained is 2,63%. These results indicate that the YOLOv4-tiny model can measure vehicle speeds with quite high accuracy.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. Hadi Nasbey, S.Pd., M.Si ; 2). Haris Suhendar, S.Si., M.Sc
Subjects:	Sains > Fisika
Divisions:	FMIPA > S1 Fisika
Depositing User:	Users 25167 not found.
Date Deposited:	12 Aug 2024 01:54
Last Modified:	12 Aug 2024 01:54
URI:	http://repository.unj.ac.id/id/eprint/49388

Actions (login required)

View Item