Model Deteksi Helm Pada Pengendara Sepeda Motor Menggunakan You Only Look Once (YOLO)

Fadhurrahman, Farhan (2023) Model Deteksi Helm Pada Pengendara Sepeda Motor Menggunakan You Only Look Once (YOLO). Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 07211840000066-Undergraduate_Thesis.pdf] Text
07211840000066-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2025.

Download (44MB) | Request a copy


Helm merupakan sebuah alat pelindung yang berfungsi untuk melindungi kepala saat terjadi benturan. Pada sebuah penelitian didapatkan bahwa menggunakan Helm saat mengendarai sepeda motor, dapat mengurangi resiko cedera dari kecelakaan lalu lintas hingga 42%. Berdasarkan data dari Badan Pusat Statistik (BPS), jumlah korban meninggal dalam kasus kecelakaan lalu lintas di Indonesia sebanyak 25.671 jiwa pada tahun 2019. Pertumbuhan jumlah korban jiwa setiap tahun terus bertambah dengan persentase hingga 1.41%. Masalah yang dapat diambil adalah deteksi pengendara Sepeda Motor yang tidak menggunakan helm saat berkendara yang tidak terdeteksi secara menyeluruh. Oleh sebab itu, diperlukan sebuah model untuk mendeteksi pengendara Sepeda Motor yang tidak menggunakan helm untuk dikembangkan dalam mendeteksi pelanggar yang tidak menggunakan helm dengan tingkat akurasi yang tinggi dan waktu pemrosesan yang singkat. Tujuan dari penelitian ini adalah mengembangkan beberapa model You Only Look Once (YOLO) yaitu YOLOv3, YOLOv5 dan YOLOv7 untuk menemukan model yang memiliki tingkat akurasi tinggi dan waktu pemrosesan yang cepat dengan dihitung score mean Average Precision dan inference deteksi dalam mendeteksi pelanggar. Proses training dilakukan dengan dua skenario, training dengan data diagumentasi dan training dengan data tidak diagumentasi, dari proses tersebut didapatkan kenaikan nilai mean Average Precision dari keenam model dan YOLOv3 memilki akurasi yang paling tinggi yaitu mencapai 97%.
Helmet is a protective device that serves to protect the head when a collision occurred. In a study, it was found that using a helmet when riding a motorcycle can reduce the risk of injury from traffic accidents by up to 42%. Based on data from the Central Statistics Agency (BPS), the number of victims who died in traffic accidents in Indonesia was 25,671 people in 2019. The growth in the number of fatalities every year continues to increase with a percentage of up to 1.41%. The problem that can be taken is the detection of motorbike riders who do not use helmets while driving which are not detected thoroughly. Therefore, a model is needed to detect motorbike riders who do not use helmets to be developed to detect offenders who do not use helmets with a high degree of accuracy and short processing time. The purpose of this research is to develop several You Only Looks Once (YOLO) models, namely YOLOv3, YOLOv5, and YOLOv7 to find a model that has a high level of accuracy and fast processing time by calculating the mean Average Precision score and inference detection in detecting offenders. The training process was carried out in two scenarios, training with augmented data and training with unaugmented data, from this process an increase in the mean Average Precision value of the six models and YOLOv3 had the highest accuracy, reaching 97%.

Item Type: Thesis (Other)
Uncontrolled Keywords: Detection, Helmet, Inference, Mean Average Precision, YOLO, Deteksi, Helm, Inference, Mean Average Precision, YOLO
Subjects: R Medicine > R Medicine (General) > R858 Deep Learning
T Technology > T Technology (General) > T57.5 Data Processing
T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL440 Motorcycles.
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User: Farhan Fadhurrahman
Date Deposited: 17 Feb 2023 03:59
Last Modified: 17 Feb 2023 04:00

Actions (login required)

View Item View Item