Modifikasi YOLOv9 dengan BRA dan BTDetect untuk Pemantauan Perilaku Siswa di Kelas

Santoso, Yunus Dwi (2025) Modifikasi YOLOv9 dengan BRA dan BTDetect untuk Pemantauan Perilaku Siswa di Kelas. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6026231013-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (4MB) | Request a copy

Abstract

Penelitian ini berfokus pada modifikasi model YOLOv9 dengan mengintegrasikan Bi-Level Routing Attention (BRA) dan Bottleneck Transformer Detect Head (BTDetect) untuk meningkatkan akurasi deteksi perilaku siswa di kelas yang padat. Dalam era pendidikan modern, pemantauan perilaku siswa menjadi hal yang krusial untuk mendukung pembelajaran interaktif yang efektif. Model YOLO (You Only Look Once) dikenal karena kemampuannya dalam mendeteksi objek secara cepat dan akurat, namun tantangan muncul dalam mendeteksi siswa yang duduk di bagian belakang kelas, yang sering kali terlihat sebagai objek kecil dan tersembunyi. Penelitian ini mengusulkan arsitektur YOLOv9 yang dimodifikasi dengan mengintegrasikan BRA dan BTDetect, yang memiliki modul utama Bottleneck Transformer Encoder Layer (BOTrans). Modifikasi ini bertujuan untuk meningkatkan kemampuan deteksi objek kecil dan tersembunyi, sehingga semua siswa, termasuk mereka yang terhalang oleh objek lain, dapat terdeteksi dengan presisi lebih baik. Hasil eksperimen menunjukkan hasil yang signifikan pada model YOLOv9+BRA mencapai nilai mAP50 sebesar 80,2%, sedangkan model YOLOv9+BOTransCSPELAN4 juga mencatatkan hasil yang sama. Namun, penggabungan kedua modul dalam arsitektur YOLOv9+BRA+BOTransCSPELAN4 tidak menunjukkan peningkatan signifikan dalam akurasi deteksi dibandingkan dengan penggunaan masing-masing modul secara terpisah. Penelitian ini memberikan kontribusi signifikan dalam pengembangan teknologi pemantauan perilaku siswa yang lebih efektif dan efisien, serta membuka peluang untuk penelitian lebih lanjut dalam pengintegrasian modul deteksi objek yang lebih sinergis. Diharapkan hasil penelitian ini dapat meningkatkan kualitas pembelajaran interaktif melalui pemantauan perilaku siswa yang lebih akurat dan real-time.
==================================================================================================================================
This study focuses on modifying the YOLOv9 model by integrating Bi-Level Routing Attention (BRA) and Bottleneck Transformer Detect Head (BTDetect) to improve the accuracy of detecting student behavior in densely populated classrooms. In the era of modern education, monitoring student behavior is crucial to support effective interactive learning. The YOLO (You Only Look Once) model is renowned for its ability to detect objects quickly and accurately. However, challenges arise in detecting students seated at the back of the classroom, who often appear as small and obscured objects. This research proposes a modified YOLOv9 architecture by incorporating BRA and BTDetect, which feature the Bottleneck Transformer Encoder Layer (BOTrans) as a core module. The modification aims to enhance the detection capability for small and hidden objects, ensuring all students, including those obstructed by other objects, are detected with greater precision. Experimental results show significant outcomes, with the YOLOv9+BRA model achieving an mAP50 score of 80.2%, while the YOLOv9+BOTransCSPELAN4 model recorded a similar performance. However, combining both modules within the YOLOv9+BRA+BOTransCSPELAN4 architecture did not yield a significant improvement in detection accuracy compared to using each module individually. This research provides a substantial contribution to the development of more effective and efficient student behavior monitoring technologies and opens opportunities for further studies on synergistic integration of object detection modules. The findings are expected to enhance the quality of interactive learning through more accurate and real-time student behavior monitoring.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	YOLOv9, Bi-Level Routing Attention, Bottleneck Transformer Encoder Layer, Objek Kecil dan Tersembunyi, Pemantauan Perilaku Siswa, Small and Hidden Objects, Student Behavior Monitoring.
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 59101-(S2) Master Thesis
Depositing User:	Yunus Dwi Santoso
Date Deposited:	03 Feb 2025 03:50
Last Modified:	03 Feb 2025 03:50
URI:	http://repository.its.ac.id/id/eprint/117656

Actions (login required)

View Item