Publisher

UNAMAUNAMA

Journal Jurnal PROCESSORJurnal PROCESSOR Abstract

Deteksi objek merupakan salah satu penerapan utama dari teknologi computer vision dalam bidang kecerdasan buatan. Salah satu algoritma deteksi objek yang banyak digunakan karena efisiensinya adalah YOLOv5. Penelitian ini bertujuan untuk menerapkan metode YOLOv5 dalam mendeteksi dan mengklasifikasikan objek kendaraan dan manusia pada rekaman video non-real-time di kawasan Simpang Tugu Pena Kota Bengkulu. Dataset yang digunakan merupakan video hasil dokumentasi lapangan, yang kemudian dianalisis menggunakan model YOLOv5 dengan pelatihan berbasis transfer learning. Untuk menjaga identitas objek antar-frame, sistem dikombinasikan dengan metode Kalman Filter dan SORT sebagai pelacak objek. Hasil pengujian menunjukkan bahwa model yang dibangun mampu melakukan deteksi objek dengan baik pada kondisi visual yang bervariasi, serta mencapai nilai akurasi yang tinggi berdasarkan pengukuran menggunakan matriks konfusi. Penelitian ini menunjukkan bahwa penerapan YOLOv5 efektif digunakan dalam sistem dokumentasi visual berbasis AI di lingkungan ruang publik yang dinamis.

Conclusion

Penelitian ini menunjukkan bahwa penerapan metode YOLOv5 pada video non-real-time di kawasan Simpang Tugu Pena Kota Bengkulu mampu melakukan deteksi dan klasifikasi objek kendaraan serta manusia dengan performa yang cukup baik, ditunjukkan oleh nilai akurasi sebesar 73,3%, presisi 85%, dan recall 77,3%.Integrasi metode pelacakan Kalman Filter dan SORT membantu menjaga konsistensi identitas objek antar-frame, sehingga sistem mampu melacak pergerakan secara simultan meskipun kondisi visual dinamis.Hasil ini membuktikan bahwa YOLOv5 efektif digunakan sebagai sistem pemantauan visual berbasis AI di ruang publik, meskipun masih terdapat keterbatasan dalam mendeteksi objek kecil atau tertutup sebagian, yang dapat diatasi melalui peningkatan kualitas dataset dan pengembangan model lebih lanjut untuk aplikasi real-time maupun integrasi dengan perangkat pemantauan seperti CCTV dan drone.

Future Research

Sebagai arah penelitian lanjutan, pertama, disarankan mengembangkan dataset dengan variasi objek kecil yang lebih kaya untuk meningkatkan akurasi deteksi di lingkungan kompleks. Kedua, eksplorasi integrasi YOLOv5 dengan algoritma pelacakan berbasis AI yang lebih canggih, seperti DeepSORT, untuk mengatasi tantangan identifikasi objek yang terhalang atau bergerak cepat. Ketiga, perlu dilakukan penelitian tentang implementasi model yang adaptif terhadap perubahan kondisi cuaca dan pencahayaan secara real-time, misalnya dengan memanfaatkan teknik augmentasi dinamis yang bisa disesuaikan dengan kondisi lingkungan saat pengambilan data.

References

1. Penerapan Metode YOLOv5 untuk Klasifikasi dan Deteksi Objek Menggunakan Video Non-Real-Time | Jurnal... ejournal.unama.ac.id/index.php/processor/article/view/2508Penerapan Metode YOLOv5 untuk Klasifikasi dan Deteksi Objek Menggunakan Video Non Real Time Jurnal ejournal unama ac index php processor article view 2508
2. Full article: Machine Learning, a Probabilistic Perspective. full article machine learning perspective... tandfonline.com/doi/full/10.1080/09332480.2014.914768Full article Machine Learning a Probabilistic Perspective full article machine learning perspective tandfonline doi full 10 1080 09332480 2014 914768
3. Evaluating YOLOv4 and YOLOv5 for Enhanced Object Detection in UAV-Based Surveillance. evaluating yolov4... doi.org/10.3390/pr13010254Evaluating YOLOv4 and YOLOv5 for Enhanced Object Detection in UAV Based Surveillance evaluating yolov4 doi 10 3390 pr13010254
4. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS.... doi.org/10.3390/make5040083A Comprehensive Review of YOLO Architectures in Computer Vision From YOLOv1 to YOLOv8 and YOLO NAS doi 10 3390 make5040083

Metadata

File size	412.1 KB
Pages	7
DMCA	Report