Analisis Perbandingan Model YOLO (You Only Look Once) Untuk Deteksi Penggunaan Helm pada Pengendara Sepeda Motor

Subriyanto Rudi, Rudi (2026) Analisis Perbandingan Model YOLO (You Only Look Once) Untuk Deteksi Penggunaan Helm pada Pengendara Sepeda Motor. Bachelor thesis, Institut Teknologi Kalimantan.

	Text 11211079_cover.pdf.pdf Restricted to Registered users only until 26 April 2028. Download (561kB) | Request a copy
	Text 11211079_statement_of_authenticity.pdf Restricted to Registered users only until 26 April 2028. Download (214kB) | Request a copy
	Text 11211079_publishing_agreement.pdf Restricted to Registered users only until 26 April 2028. Download (245kB) | Request a copy
	Text 11211079_approval_sheet.pdf Restricted to Registered users only until 26 April 2028. Download (247kB) | Request a copy
	Text 11211079_preface.pdf Restricted to Registered users only until 26 April 2028. Download (326kB) | Request a copy
	Text 11211079_abstract_id.pdf.pdf Restricted to Registered users only until 26 April 2028. Download (91kB) | Request a copy
	Text 11211079_abstract_en.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (352kB) | Request a copy
	Text 11211079_table_of_content.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (803kB) | Request a copy
	Text 11211079_illustrations.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (584kB) | Request a copy
	Text 11211079_tables.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (318kB) | Request a copy
	Text 11211079_chapter_1.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (642kB) | Request a copy
	Text 11211079_chapter_2.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (3MB) | Request a copy
	Text 11211079_chapter_3.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (413kB) | Request a copy
	Text 11211079_chapter_4.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (4MB) | Request a copy
	Text 11211079_conclusions.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (330kB) | Request a copy
	Text 11211079_bibliography.pdf.pdf Restricted to Registered users only until 26 April 2028. Download (637kB) | Request a copy
	Text 11211079_enclosure.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (1MB) | Request a copy
	Text 11211079_paper.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (4MB) | Request a copy
	Text 11211079_presentation.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (8MB) | Request a copy
	Text 11211079_Form. TA-020.pdf.pdf Restricted to Repository staff only until 26 April 2028. Download (340kB) | Request a copy

Abstract

Penggunaan helm secara konsisten oleh pengendara sepeda motor merupakan komponen kunci dalam menekan cedera serius dan kematian akibat kecelakaan lalu lintas, tetapi penegakan aturan di lapangan masih didominasi pemantauan manual yang lambat dan tidak terukur. Perkembangan visi komputer berbasis deep learning, khususnya keluarga algoritma You Only Look Once (YOLO), membuka peluang untuk otomatisasi deteksi pelanggaran helm dengan akurasi tinggi dan waktu respons singkat. Varian-varian terbaru seperti YOLOv5, YOLOv10, dan YOLOv11 menawarkan kombinasi arsitektur ringan dan mekanisme optimasi berbeda, sehingga diperlukan kajian komparatif yang sistematis dalam konteks deteksi helm pada data nyata. Penelitian ini membandingkan kinerja tiga model YOLOv5s, YOLOv10s, dan YOLOv11s pada tugas deteksi helm/non-helm dan motor menggunakan dataset Roboflow tiga kelas (helm, non-helm, motor) yang dibagi ke data latih, validasi, dan uji, serta dievaluasi pada lingkungan GPU NVIDIA Tesla T4 dan CPU Intel Xeon 2,30 GHz dengan konfigurasi pelatihan dan hyperparameter yang seragam. Hasil menunjukkan bahwa YOLOv10s memberikan akurasi terbaik dengan mAP@0,50 sebesar 0,9382, mAP@0,50:0,95 sebesar 0,6956, F1-score 0,9122, dan IoU 0,8710, sedangkan YOLOv5s paling efisien pada CPU dengan ukuran model 54,26 MB, 7,028 juta parameter, 7,981 GFLOPs, latensi inferensi 497,50 ms, dan throughput 1,60 img/s, YOLOv11s secara konsisten berada di antara keduanya baik dari sisi akurasi maupun kompleksitas komputasi. Penerapan filter kontekstual Global Contextual Exclusion-PRIOR (GCE-PRIOR) pada tingkat citra tidak mengubah ukuran model dan FLOPs, tetapi menurunkan mAP serta precision sekitar 5-7 poin persentase sekaligus sedikit meningkatkan recall dan mengurangi false positive pada citra tanpa motor. Temuan ini menegaskan adanya trade-off yang konsisten antara akurasi dan efisiensi, sehingga YOLOv10s direkomendasikan untuk sistem pemantauan berbasis GPU yang memprioritaskan akurasi deteksi, sedangkan YOLOv5s lebih sesuai untuk deployment pada perangkat edge berbasis CPU yang menuntut efisiensi komputasi.

Item Type:	Thesis (Bachelor)
Subjects:	T Technology > T Technology (General)
Divisions:	Jurusan Matematika dan Teknologi Informasi > Informatika
Depositing User:	Student Rudi Subriyanto
Date Deposited:	14 Jan 2026 02:17
Last Modified:	14 Jan 2026 02:17
URI:	http://repository.itk.ac.id/id/eprint/25158

Actions (login required)

View Item