• Beranda
  • Website Perpustakaan
  • Panduan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Penanda Bagikan

SKRIPSI DIGITAL

Pengembangan Model Deteksi Halangan Secara Real-Time Berbasis YOLO untuk Mendukung Pengambilan Keputusan Kendaraan = Real-Time Obstacle Detection Model Development Based on YOLO to Support Decision-Making in Autonomous Vehicles

AFIF IHZA DARMAWAN - Nama Orang; Rizky Wahyu Dewantoro - Nama Orang; Sukamto - Nama Orang; Kuwat Santoso - Nama Orang;

Deteksi objek secara real-time pada kendaraan otonom, khususnya pada perangkat edge dengan sumber daya terbatas, menuntut keseimbangan antara akurasi dan efisiensi komputasi. Model standar seperti YOLOv8 seringkali kesulitan mendeteksi objek kecil tanpa meningkatkan beban komputasi. Penelitian ini mengusulkan dan mengevaluasi sebuah arsitektur modifikasi berbasis YOLOv8-nano yang bertujuan untuk meningkatkan akurasi deteksi objek kecil sambil menjaga efisiensi untuk penerapan real-time. Modifikasi dilakukan melalui dua strategi utama: integrasi Convolutional Block Attention Module (CBAM) setelah backbone untuk meningkatkan fokus pada fitur relevan, dan penyederhanaan detection head dengan menghilangkan head P4 untuk mengurangi kompleksitas model. Model dilatih dan diuji pada dataset gabungan yang terdiri dari 11 kelas COCO dan 4 kelas halangan non-standar (batu dan sampah). Hasil evaluasi menunjukkan adanya trade-off yang optimal. Model modifikasi berhasil meningkatkan efisiensi komputasi secara signifikan, dengan waktu inferensi berkurang sebesar 20% (dari 2.0 ms menjadi 1.6 ms). Dari sisi akurasi, model menunjukkan peningkatan precision menjadi 0.797 (naik dari 0.784), yang berarti lebih sedikit false positive. Peningkatan ini dicapai dengan sedikit kompromi pada metrik recall (turun dari 0.649 menjadi 0.635) dan mAP@50 (turun dari 0.709 menjadi 0.697). Kesimpulannya, arsitektur yang diusulkan berhasil menciptakan model yang lebih cepat dan lebih andal dalam prediksinya, menjadikannya solusi yang sangat sesuai untuk deteksi objek pada perangkat edge meskipun harus mengorbankan sedikit cakupan deteksi secara keseluruhan.


Fulltext
  • Harap masuk untuk melihat lampiran
Informasi Detail
Judul Seri
-
No. Panggil
RK 001 2025
Penerbit
Semarang : Politeknik Negeri Semarang., 2025
Deskripsi Fisik
xvi; 102 hal.; ilus., 30 cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
NONE
Tipe Isi
text
Tipe Media
computer
Tipe Pembawa
online resource
Edisi
-
Subjek
YOLOV8
Info Detail Spesifik
-
Pernyataan Tanggungjawab
AFIF IHZA DARMAWAN
Versi lain/terkait

Tidak tersedia versi lain

Komentar

Anda harus masuk sebelum memberikan komentar

  • Panduan
  • Area Anggota

Tentang Kami

Si-Repo adalah platform digital yang dikelola oleh UPA Perpustakaan Politeknik Negeri Semarang, menyimpan karya ilmiah seperti Tugas Akhir, Skripsi, dan Tesis dari sivitas akademika Polines, untuk mendukung kebutuhan akademik, penelitian, dan pengembangan.

Pengunjung Web

Hari ini : Minggu ini : Bulan ini : Total :

© 2025 — Perpustakaan Politeknik Negeri Semarang

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?