IKMIIKMI
Jurnal ICT: Information Communication & TechnologyJurnal ICT: Information Communication & TechnologyPenelitian ini mengembangkan sistem deteksi api berbasis pengolahan citra menggunakan algoritma YOLOv8 untuk mendukung deteksi dini kebakaran secara real-time. Dataset yang digunakan terdiri dari 100 citra api dengan variasi kondisi visual, yang diproses melalui tahap pra-pemrosesan, konversi anotasi ke format YOLO, serta pelatihan model selama 30 epoch. Evaluasi kinerja menunjukkan bahwa model YOLOv8 mencapai mAP50 sebesar 0.646, precision 0.889, dan recall 0.455, dengan kecepatan inferensi 282.5 ms/frame. Sistem diintegrasikan dengan OpenCV untuk memproses input webcam dan menampilkan hasil deteksi secara langsung. Meskipun hasil menunjukkan potensi YOLOv8 dalam deteksi api real-time, penelitian ini memiliki keterbatasan pada jumlah dataset yang relatif kecil, sehingga generalisasi model masih perlu ditingkatkan. Penelitian selanjutnya disarankan menggunakan dataset yang lebih besar dan beragam serta melakukan perbandingan dengan deteksi model lainnya.
Penelitian ini menunjukkan bahwa model YOLOv8 mampu digunakan untuk mendeteksi api secara real-time berbasis pengolahan citra dengan performa yang cukup baik.Hasil evaluasi menunjukkan nilai mAP50 sebesar 0.455, yang mengindikasikan bahwa model memiliki tingkat akurasi deteksi yang tinggi meskipun sensitivitas deteksi masih perlu ditingkatkan.Implementasi sistem menggunakan OpenCV dan webcam juga membuktikan bahwa YOLOv8 dapat diterapkan secara responsif pada sistem pemantauan kebakaran berbasis kamera.Jumlah dataset yang digunakan relatif terbatas, yaitu hanya 100 citra api, sehingga kemampuan generalisasi model dan nilai recall yang dihasilkan.Selain itu, variasi kondisi lingkungan pada dataset masih belum sepenuhnya merepresentasikan seluruh skenario kebakaran di dunia nyata, seperti kondisi asap tebal, pencahayaan ekstrem, atau sudut pandang kamera yang beragam.
Untuk penelitian lanjutan, disarankan menggunakan dataset yang lebih besar dan beragam, melakukan perbandingan kinerja dengan model deteksi objek lainnya seperti EfficientDet, serta mengoptimalkan teknik data augmentation dan penyesuaian parameter model. Selain itu, integrasi sistem dengan perangkat keras tambahan atau sistem peringatan dini dapat dipertimbangkan untuk meningkatkan efektivitas penerapan pada lingkungan nyata. Dengan demikian, penelitian ini dapat dikembangkan lebih lanjut untuk meningkatkan akurasi dan sensitivitas deteksi api secara real-time.
| File size | 1.3 MB |
| Pages | 5 |
| DMCA | Report |
Related /
UNIKOMUNIKOM Adapun HyperLPR digunakan untuk mendeteksi plat nomor dari kendaraan tersebut. Metode yang digunakan dalam penelitian ini yaitu metode experimen denganAdapun HyperLPR digunakan untuk mendeteksi plat nomor dari kendaraan tersebut. Metode yang digunakan dalam penelitian ini yaitu metode experimen dengan
STTMCILEUNGSISTTMCILEUNGSI Hasil eksperimen menunjukkan bahwa model mencapai mAP@50 bounding box sebesar 0,607 dan mAP@50 segmentasi sebesar 0,564, dengan skor F1 sebesar 0,62 danHasil eksperimen menunjukkan bahwa model mencapai mAP@50 bounding box sebesar 0,607 dan mAP@50 segmentasi sebesar 0,564, dengan skor F1 sebesar 0,62 dan
USMUSM 894), serta waktu inferensi rata-rata 26. 1 ms. Sistem ini berkontribusi dalam menyediakan solusi pemantauan penyakit yang layak untuk aplikasi real-time,894), serta waktu inferensi rata-rata 26. 1 ms. Sistem ini berkontribusi dalam menyediakan solusi pemantauan penyakit yang layak untuk aplikasi real-time,
UMPRUMPR Selain sebagai media visual, Bigbook berperan sebagai alat naratif yang mengintegrasikan dimensi kognitif dan afektif anak. Peran guru yang responsif danSelain sebagai media visual, Bigbook berperan sebagai alat naratif yang mengintegrasikan dimensi kognitif dan afektif anak. Peran guru yang responsif dan
MEDIAPUBLIKASIMEDIAPUBLIKASI Untuk menggunakan gambar RGB dan gambar kedalaman untuk fusi fitur secara lebih efektif, makalah ini mengusulkan tiga model fusi: RGB-D concat, RGB-D Ci-addUntuk menggunakan gambar RGB dan gambar kedalaman untuk fusi fitur secara lebih efektif, makalah ini mengusulkan tiga model fusi: RGB-D concat, RGB-D Ci-add
PPICURUGPPICURUG Pengolahan citra menggunakan metode You Only Look Once (YOLO) untuk deteksi FOD yang cepat dan akurat, memaksimalkan efektivitas drone dalam mengidentifikasiPengolahan citra menggunakan metode You Only Look Once (YOLO) untuk deteksi FOD yang cepat dan akurat, memaksimalkan efektivitas drone dalam mengidentifikasi
UMIUMI Sistem pemantauan keamanan terus berkembang saat ini. Sektor transportasi menjadi objek penelitian yang terus dikembangkan dan selalu menjadi topik yangSistem pemantauan keamanan terus berkembang saat ini. Sektor transportasi menjadi objek penelitian yang terus dikembangkan dan selalu menjadi topik yang
UMBUMB Robot dilengkapi dengan sensor yang diperlukan seperti sensor Microsoft Kinect dan sensor laser Hokuyo. Empat metode pelacakan yang sesuai dijelaskan dalamRobot dilengkapi dengan sensor yang diperlukan seperti sensor Microsoft Kinect dan sensor laser Hokuyo. Empat metode pelacakan yang sesuai dijelaskan dalam
Useful /
USMUSM Penelitian ini menggunakan dataset publik yang diperoleh dari platform Kaggle dengan judul Students Social Media Addiction Dataset, yang berisi data hasilPenelitian ini menggunakan dataset publik yang diperoleh dari platform Kaggle dengan judul Students Social Media Addiction Dataset, yang berisi data hasil
UMSUMS Studi ini merekomendasikan pengembangan pedoman yang lebih jelas, peningkatan pelatihan bagi penegak hukum dan pejabat yudisial, serta peningkatan kesadaranStudi ini merekomendasikan pengembangan pedoman yang lebih jelas, peningkatan pelatihan bagi penegak hukum dan pejabat yudisial, serta peningkatan kesadaran
UMSUMS Rekomendasi diberikan untuk menyeimbangkan bukti pemalsuan, ketahanan, dan kemudahan penggunaan berdasarkan penilaian kasus penggunaan. Studi ini menegaskanRekomendasi diberikan untuk menyeimbangkan bukti pemalsuan, ketahanan, dan kemudahan penggunaan berdasarkan penilaian kasus penggunaan. Studi ini menegaskan
USMUSM Penelitian ini bertujuan membangun sistem klasifikasi nanas (Matang, SetengahMatang, Mentah) yang objektif menggunakan Support Vector Machine (SVM) berbasisPenelitian ini bertujuan membangun sistem klasifikasi nanas (Matang, SetengahMatang, Mentah) yang objektif menggunakan Support Vector Machine (SVM) berbasis