Skripsi/Tugas Akhir

Redesain Arsitektur Yolov8 untuk Meningkatkan Akurasi dalam Mendeteksi dan Mengklasifikasikan Objek Transportasi pada Dinas Perhubungan Kota Makassar

---

Rating Anda tentang Buku/Tulisan ini!

---

ABSTRAK
Deteksi objek transportasi memainkan peran penting dalam pengawasan lalu lintas guna meningkatkan efisiensi dan keselamatan di lingkungan perkotaan. Penelitian ini bertujuan untuk merancang ulang (redesain) arsitektur YOLOv8 agar mampu meningkatkan akurasi dalam mendeteksi dan mengklasifikasikan objek transportasi di Kota Makassar. Dataset diperoleh dari rekaman CCTV Dinas Perhubungan Kota Makassar dengan variasi kondisi pencahayaan (pagi, siang, sore, dan malam). Proses penelitian meliputi preprocessing data, anotasi menggunakan Roboflow, training model dengan tuning hyperparameter, dan evaluasi kinerja model menggunakan metrik seperti Precision, Recall, F1-Score, dan mAP. Modifikasi arsitektur dilakukan dengan peningkatan channel pada head YOLOv8 untuk objek kecil dan penyesuaian hyperparameter. Hasil evaluasi menunjukkan performa yang didapatkan berdasarkan hasil tuning hyperparameter dengan nilai mAP@50 sebesar 0,798. Secara keseluruhan, model yang dikembangkan cukup baik, namun dibandingkan dengan penelitian terdahulu hasil ini masih terbilang kurang maksimal. Penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan sistem pemantauan lalu lintas yang lebih adaptif terhadap kondisi pencahayaan.
Kata Kunci: YOLOv8, Redesain Arsitektur, Deteksi Objek Transportasi, mAP, Pengawasan Lalu Lintas

ABSTRACT
Transport object detection plays an important role in traffic surveillance to improve efficiency and safety in urban environments. This research aims to redesign the YOLOv8 architecture to improve accuracy in detecting and classifying transport objects in Makassar City. The dataset is obtained from CCTV recordings of the Makassar City Transportation Agency with various lighting conditions (morning, afternoon, evening, and night). The research process includes data preprocessing, annotation using Roboflow, model training with hyperparameter tuning, and model performance evaluation using metrics such as Precision, Recall, F1-Score, and mAP. Architectural modifications were made by increasing the channels on the YOLOv8 head for small objects and adjusting the hyperparameters. The evaluation results show the performance obtained based on the hyperparameter tuning results with an mAP@50 value of 0.798. Overall, the model developed is quite good, but compared to previous research these results are still somewhat less than optimal. This research is expected to contribute to the development of traffic monitoring systems that are more adaptive to lighting conditions.
Keywords: YOLOv8, Architectural Redesign, Transport Object Detection, mAP, Traffic Monitoring

---

Ketersediaan

SKR 25-51 0918TI

SKR 25-51 PAT r - 0918TI

Perpustakan UNDIPA (Rak Skripsi/Tugas Akhir)

Tidak Dipinjamkan-No Loan

Informasi Detail

Judul Seri

--

No. Panggil

SKR 25-51 PAT r - 0918TI

Penerbit

Makassar : Universitas DIPA., 2025

Deskripsi Fisik

28 Februari 2025

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 25-51

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 28 Februari 2025

Subjek

Skripsi/Tugas Akhir
You Only Look Once (YOLO)

Lampiran File