Purnama, Ariya (2025) Deteksi Pelanggaran Penggunaan Helm Dengan Metode SSD (Single Shot Multibox Detector) dan Arsitektur Mobilenetv2. Diploma thesis, UBP Karawang.
1 File Judul_250020_21416255201246_Ariya Purnama.pdf
Download (679kB)
2 Abstrak_250020_21416255201246_Ariya Purnama.pdf
Download (42kB)
3 Daftar Isi_250020_21416255201246_Ariya Purnama.pdf
Download (50kB)
4 BAB I_250020_21416255201246_Ariya Purnama.pdf
Download (74kB)
5 BAB II_250020_21416255201246_Ariya Purnama.pdf
Restricted to Registered users only
Download (124kB)
6 BAB III_250020_21416255201246_Ariya Purnama.pdf
Download (242kB)
7 BAB IV_250020_21416255201246_Ariya Purnama.pdf
Restricted to Registered users only
Download (556kB)
8 BAB V_250020_21416255201246_Ariya Purnama.pdf
Download (39kB)
9 Daftar Pustaka_250020_21416255201246_Ariya Purnama.pdf
Download (53kB)
10 Lampiran_250020_21416255201246_Ariya Purnama.pdf
Restricted to Registered users only
Download (3MB)
11 Artikel_250020_21416255201246_Ariya Purnama.pdf
Restricted to Registered users only
Download (467kB)
Abstract
Peningkatan jumlah kendaraan terus didominasi oleh pengendara sepeda motor. Terkait hal ini, pengawasan keselamatan lalu lintas oleh pihak berwenang perlu ditingkatkan. Namun, dengan kemajuan teknologi yang pesat, terutama di bidang visi komputer, solusi baru telah dimungkinkan. Salah satu pengembangan tersebut adalah penggunaan perangkat Raspberry Pi yang murah, yang dapat melakukan tugas-tugas yang mirip dengan komputer desktop. Tujuan dari penelitian ini adalah untuk mengembangkan sistem pendeteksi helm untuk pengendara sepeda motor menggunakan arsitektur MobileNetV2 dan SSD (Single Shot Multibox Detector). Sebanyak 1.363 gambar digunakan, dengan 953 untuk pelatihan, 273 untuk validasi, dan 137 untuk pengujian. Tahap prapemrosesan gambar melibatkan pengubahan ukuran gambar menjadi 240 x 240 piksel sebelum dimasukkan ke dalam model. Hasil pelatihan menunjukkan akurasi maksimum sebesar 100%, sementara evaluasi model pada set pengujian mencapai akurasi deteksi 95% untuk pengendara yang mengenakan helm dan 98% untuk mereka yang tidak mengenakan helm. Selain itu, model tersebut mencapai rata-rata Average Precision (mAP) sebesar 99% pada ambang batas IoU 0.5 (mAP50) dan 66% pada ambang batas IoU 0.75 (mAP75)
Kata kunci: Deteksi Pelanggaran Penggunaan Helm,Raspberry Pi, Arsitektur Mobilenetv2 dan SSD
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science |
| Depositing User: | Pustakawan UBP Karawang |
| Date Deposited: | 21 Jan 2026 01:26 |
| Last Modified: | 21 Jan 2026 01:26 |
| URI: | http://repository.ubpkarawang.ac.id/id/eprint/5603 |
