Detail Cantuman

Masalah penelitian yaitu Bagaimana cara klasifikasi objek Train, Tree, Building,
Railroad dan Power Pole menggunakan Deep Learning YOLO, Bagaimana
mengukur hasil akurasi dan kinerja dari pendeteksian objek yang menggunakan
kamera dengan metode Deep Learning YOLO. Tujuan Melakukan klasifikasi
dengan memberikan kotak pembatas (bounding box) pada objek terutama
diperlintasan kereta api dengan 5 objek yaitu: Train, Tree, Building, Railroad dan
Power Pole menggunakan metode Deep learning YOLO.Untuk menganalisis
kinerja dari pendeteksian yang didapat dari metode Deep Learning YOLO. Studi
Literatur Dengan mengumpulkan informasi seperti kajian teori, pengumpulan data
dari beberapa sumber berupa jurnal, buku, atau artikel terkait penelitian skripsi.
Metode Pengumpulan Data Melakukan pengambilan dataset sebanyak 1.090
gambar yang diambil dengan kamera Handphone. Perancangan Sistem Selanjutnya
perancangan sistem berdasarkan flowchart yang menggambarkan rencana
kebutuhan data dan konsep yang diterapkan untuk hasil objek terdeteksi
dilingkungan terbatas. Analisis Kerja Tahap analisis kinerja akan melakukan
perhitungan pendeteksian mengenai hasil gambar yang sempurna, tidak sempurna
dan gagal. Pada hasil pengujian yang dilakukan menggunakan model YOLOv8l
dengan dataset yang digunakan yaitu: 872 frame data train (436 frame dari setiap
lokasi) dan 218 frame dara validation (109 dari setiap lokasi) digunakan untuk
mengetahui tingkat kecepatan dan akurasi pada deteksi objek kereta api
diperlintasan. Hasil evaluasi data train menggunakan 100 epoch pada menunjukan
nilai keseluruhan klasifiksi objek yaitu: Instance 3034, Precision 0.81, Recall 0.849
dan mean Average Precision50 adalah 0.87. Hasil model yang diperoleh cukup baik
dengan nilai mAP yang dihitung dari batas ambang IoU 50 sebesar 0,87 dan presisi
yang menunjukan keakuratan objek yang terdeteksi sebesar 0.81. Studi ini
menegaskan bahwa algoritma YOLO cocok untuk deteksi kecepatan kendaraan
secara real-time, berkontribusi pada pengembangan sistem transportasi pintar.
Disarankan untuk meningkatkan ukuran sampel demi validasi dan perbandingan
hasil yang lebih baik, serta menganjurkan penelitian lebih lanjut di area ini.
Penelitian ini penting untuk meningkatkan keselamatan dan efisiensi transportasi,
membantu perencanaan kota dan strategi transportasi umum.