Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5

Mulyana, Dadang Iskandar; Rofik, M Ainur

doi:10.31004/jptam.v6i3.4825

Cited by 15 publications

(17 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hal yang juga penting untuk dipertimbangkan yaitu tingkat pemrosesan data video atau frame-rate agar aplikasi dapat berjalan secara real-time. Pemrosesan deteksi objek pada video realtime harus mampu mengolah data minimal 24 frame per second (FPS) (Iskandar Mulyana and Rofik, 2022), hasil lain menyebutkan YOLO v1 bekerja baik di frame-rate 45 FPS (Yuan, 2020).…”

Section: Pendahuluanunclassified

Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4

Putra¹,

Arifianto²,

Fitri³

et al. 2023

JIP

View full text Add to dashboard Cite

Deteksi kendaraan secara real-time dalam video pengamatan di jalan raya menjadi salah satu topik yang menarik diangkat dalam riset. Mendeteksi truk memiliki tantangan tersendiri karena memiliki kesamaan dimensi dengan bus dan struktur mekanis yang menyerupai pikap. Pendekatan computer vision untuk mendeteksi objek dengan YOLO (You Only Look Once) sangat populer. Dalam penerapannya pada perangkat low-end hingga high-end, varian Tiny-Yolo lebih cocok dikarenakan memiliki struktur yang lebih sederhana. Tiny-Yolo v4 diimplementasikan pada 3 perangkat dengan spesifikasi berbeda, menghasilkan akurasi pengujian 98,2% (13FPS) pada perangkat A, 98% (28FPS) pada perangakt B dan 97,5% (38FPS) pada perangkat C. Pengaruh spesifikasi perangkat keras terhadap perolehan FPS yang didapat dan akurasi pendeteksian ditandai dengan perbedaan hasil yang signifikan pada saat pengujian. Semakin tinggi FPS maka semakin menurun akurasi pendeteksian

show abstract

Section: Pendahuluanunclassified

Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4

Putra¹,

Arifianto²,

Fitri³

et al. 2023

JIP

View full text Add to dashboard Cite

show abstract

“…Tahap ini memiliki peranan yang penting dalam mendeteksi objek karena agar pendeteksian objek yang stabil harus memiliki nilai akurasi yang tinggi. Untuk itu nilai akurasi pada pendeteksian objek perlu dievaluasi agar pendeteksian objek lebih stabil nilai akurasinya pada setiap gambar atau video (Mulyana, D. I., Rofik, M. A., 2022).…”

Section: Metodeunclassified

Implementasi Algoritma Deep Learning You Only Look Once (YOLOv5) Untuk Deteksi Buah Segar Dan Busuk

2023

View full text Add to dashboard Cite

Fruit is one of the nutritional needs for the body that must be met. But with a note, these nutrients will be obtained from fruit that is still fresh. The definition of fresh fruit itself is fruit that can be consumed directly and does not require any further processing. There are many ways to select and differentiate between fresh fruit and bad fruit and in general direct observations can be made. But over time, there are several other ways to observe fruit freshness using existing technology. Where one of them is by optimizing deep learning and machine learning. This detection and classification system was created using a deep learning method using the YOLOv5 algorithm which can detect in real-time the types of apples, bananas and oranges. We use image datasets for each of these fruits for fresh fruit and rotten fruit, a total of 1200 images for train data and 330 images for validation data and 6 images for test data. Based on the tests that have been carried out with training data, along with validation data, and test data using the YOLOv5 algorithm, it can be concluded that this detection method can recognize objects consistently with a high degree of accuracy. This can be proven at the level of accuracy which reaches an accuracy rate of 90%.

show abstract

“…Tujuannya adalah untuk membuat mesin yang dapat "melihat" dunia seperti manusia dan mampu mengambil keputusan berdasarkan informasi visual tersebut. Salah satu penerapan dari bidang computer vision ini dengan melakukan pengawasan misalnya untuk melakukan pendeteksian objek kendaraan [11], [12]. Salah satu solusi untuk memecahkan masalah pendeteksian objek dalam bidang computer vision adalah dengan menggunakan deep learning.…”

Section: Pendahuluanunclassified

“…Beberapa penelitian objek kendaraan menggunakan deep learning seperti YOLO, MRCNN dan SSD. Peneliti yang melakukan pendeteksian kendaraan menggunakan You Only Look Once (YOLO) misalnya sistem pendeteksi untuk secara real time untuk melakukan pendeteksian jenis kendaran [11], sistem pendeteksian kendaraan menggunakan android [12], sistem penghitung jumlah kendaraan [14]. Peneliti yang melakukan pendeteksian kendaraan menggunakan Mask-Regional Convolutional Neural Network (MRCNN) misalnya sistem pendeteksi objek pada mobil otonom dengan menggunakan kamera termal inframerah [15], sistem deteksi kendaraan menggunakan proses segmentasi untuk sistem kendaraan cerdas [16].…”

Section: Pendahuluanunclassified

Implementasi Sistem Penghitung Kendaraan Otomatis Berbasis Computer Vision

Indra¹,

Herman²,

Budi³

2023

Komputika

View full text Add to dashboard Cite

The development of computer technology today is very helpful for humans in completing their work in various fields. One application of computer technology i.e., in the field of computer vision which has a very important role for object recognition. In this study, we designed a computer vision-based automatic vehicle counting system. The system that we created uses the MobileNetV2 Single Shot Multibox Detector (SSD) which is placed on the Raspberry Pi 4 to carry out the process of classifying cars and motorcycles and the raspberry pi 4 also functions as a system controller. This automatic vehicle counter system has been integrated between Raspberry Pi 4 and a mobile application on a smartphone where the smartphone functions to display information such as day, date, month, year and together with the number of cars and motorcycles. We tested this automatic vehicle counting system on steam services (car and motorcycle washing) for 3 days where 10 vehicles were collected every day. The test results show that the system is capable of detecting cars and motorcyles with an average accuracy rate of 46.6%.

show abstract

Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5

Cited by 15 publications

References 15 publications

Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4

Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4

Implementasi Algoritma Deep Learning You Only Look Once (YOLOv5) Untuk Deteksi Buah Segar Dan Busuk

Implementasi Sistem Penghitung Kendaraan Otomatis Berbasis Computer Vision

Contact Info

Product

Resources

About