PROGRAM DETEKSI TRUK OVER DIMENSION OVER LOADING (ODOL) DENGAN YOU ONLY LOOK ONCE (YOLO)

ALIFIA JASMINNE ZACHNI AZIZA, . (2025) PROGRAM DETEKSI TRUK OVER DIMENSION OVER LOADING (ODOL) DENGAN YOU ONLY LOOK ONCE (YOLO). Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (68kB)
	Text BAB II.pdf Restricted to Registered users only Download (943kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (292kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Download (195kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (191kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (82kB) | Request a copy

Abstract

Over Dimension Over Loading (ODOL) pada kendaraan truk merupakan salah satu permasalahan utama dalam bidang transportasi yang berkontribusi terhadap peningkatan angka kecelakaan serta kerusakan infrastruktur jalan. Sampai saat ini, metode deteksi ODOL masih bergantung pada inspeksi manual oleh aparat lalu lintas, yang memiliki keterbatasan dalam hal efektivitas dan konsistensi. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem deteksi truk ODOL berbasis kecerdasan buatan dengan menggunakan algoritma You Only Look Once (YOLO), sebuah metode deep learning yang mampu melakukan deteksi objek secara real-time dan akurat. Penelitian ini menggunakan dataset citra truk sebanyak 312 gambar. Dataset tersebut kemudian digunakan untuk melatih model YOLO agar mampu mendeteksi truk serta mengidentifikasi status ODOL berdasarkan parameter visual seperti ketinggian muatan, kemiringan bak truk, dan distribusi muatan. Hasil evaluasi model menunjukkan bahwa pendekatan yang diterapkan berhasil mendeteksi truk dengan tingkat akurasi yang tinggi, mencapai 90,18% pada beberapa skenario pengujian. Selain itu, model klasifikasi yang dikombinasikan dengan YOLO mampu membedakan truk ODOL dan non-ODOL dengan tingkat kepercayaan yang cukup baik. Implementasi sistem ini diharapkan dapat mendukung penegakan hukum terkait pelanggaran ODOL serta mengurangi risiko kecelakaan akibat kelebihan muatan. Dengan adanya teknologi ini, diharapkan sistem deteksi otomatis dapat diterapkan secara luas sebagai bagian dari sistem pemantauan lalu lintas yang lebih efisien dan terintegrasi. Selain itu, penelitian ini dapat menjadi referensi bagi pengembangan lebih lanjut dalam penerapan computer vision untuk mendukung regulasi transportasi yang lebih ketat. Kata Kunci: ODOL, YOLO, deteksi objek, deep learning, kecerdasan buatan ***** Over Dimension Over Loading (ODOL) in truck vehicles is one of the main problems in the transportation sector that contributes to the increase in the number of accidents and damage to road infrastructure. Until now, ODOL detection methods still rely on manual inspection by traffic officers, which has limitations in terms of effectiveness and consistency. Therefore, this research aims to develop an artificial intelligence-based ODOL truck detection system using the You Only Look Once (YOLO) algorithm, a deep learning method capable of real-time and accurate object detection. This study uses a dataset of 312 truck images. The dataset is then used to train the YOLO model to detect trucks and identify ODOL status based on visual parameters such as load height, tailgate tilt, and load distribution. The model evaluation results show that the applied approach successfully detects trucks with a high accuracy rate, reaching 90.18% in several test scenarios. In addition, the classification model combined with YOLO is able to distinguish ODOL and non-ODOL trucks with a good level of confidence. The implementation of this system is expected to support law enforcement related to ODOL violations and reduce the risk of accidents due to overloading. With this technology, it is expected that automatic detection systems can be widely applied as part of a more efficient and integrated traffic monitoring system. In addition, this research can be a reference for further development in the application of computer vision to support stricter transportation regulations. Kata Kunci: ODOL, YOLO, deteksi objek, deep learning, kecerdasan buatan

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. Mutia Delina, M.Si ; 2). Riser Fahdiran, M.Si
Subjects:	Sains > Fisika
Divisions:	FMIPA > S1 Fisika
Depositing User:	Users 26698 not found.
Date Deposited:	25 Feb 2025 04:31
Last Modified:	25 Feb 2025 04:31
URI:	http://repository.unj.ac.id/id/eprint/53254

Actions (login required)

View Item