Implementasi Metode Deep Learning Menggunakan Algoritma YOLOv5 dan DeepSORT untuk Menghitung Kendaraan pada CCTV dalam Kondisi Pencahayaan Rendah Studi Kasus di Lingkungan Universitas Brawijaya.

Afrialdy, Firman and Rizal Setya Perdana, S.Kom., M.Kom., Ph.D. and Dr. Candra Dewi, S.Kom, M.Sc. (2024) Implementasi Metode Deep Learning Menggunakan Algoritma YOLOv5 dan DeepSORT untuk Menghitung Kendaraan pada CCTV dalam Kondisi Pencahayaan Rendah Studi Kasus di Lingkungan Universitas Brawijaya. Sarjana thesis, Universitas Brawijaya.

Abstract

CCTV telah diterapkan untuk memantau berbagai aktivitas di lingkungan Universitas Brawijaya, termasuk lalu lintas kendaraan di gerbang kampus. Pengawasan pada malam hari dalam kondisi intensitas cahaya yang rendah merupakan tantangan tersendiri dalam penggunaan CCTV. Hal ini dikarenakan kualitas gambar yang rendah sehingga menghambat kemampuan sistem untuk mendeteksi dan mengidentifikasi objek dengan tepat. Salah satu permasalahan yang timbul dalam kasus kurangnya pencahayaan adalah munculnya flare atau kesilauan yang disebabkan oleh lampu kendaraan yang mengarah langsung ke CCTV. Oleh karena itu, pada penelitian ini digunakan model deteksi objek menggunakan metode deep learning dengan YOLOv5 dan DeepSORT. Selain itu, digunakan segmentasi U-Net dan restorasi inpaint untuk preproses data sebelum dilakukan deteksi objek menggunakan framework YOLOv5. Hasil pengujian deteksi objek, didapatkan model yang dilatih pada gambar yang dipreproses mendapatkan hasil yang lebih unggul dengan nilai precission 0.942, recall 0.873, dan F1 score 0.88. Sedangkan pada pengujian pelacakan dan perhitungan objek, model yang dengan gambar tanpa preproses jauh lebih unggul. Dengan nilai ratarata MOTA sebesar 0.697 dan MOTP sebesar 0.215 untuk evaluasi pelacakan objek. Sedangkan pada evaluasi perhitungan objek didapatkan rata-rata akurasi sebesar 0.987 dan F1 score sebesar 0.9935.

English Abstract

CCTV has been implemented to monitor various activities within Brawijaya University, including vehicle traffic at the campus gate. Surveillance at night in low light intensity conditions is a challenge in the use of CCTV. This is due to the low image quality that hampers the system's ability to detect and identify objects correctly. One of the problems that arise in the case of lack of lighting is the appearance of flares or glare caused by vehicle lights that point directly to the CCTV. Therefore, in this research, an object detection model using deep learning method with YOLOv5 and DeepSORT is used. In addition, U-Net segmentation and inpaint restoration are used to preprocess data before object detection using the YOLOv5 framework. The results of object detection testing, it was found that the model trained on preprocessed images obtained superior results with a precission value of 0.942, recall 0.873, and F1 score 0.88. While in object tracking and calculation tests, models with images without preprocessing are far superior. With an average MOTA value of 0.697 and MOTP of 0.215 for object tracking evaluation. While the object calculation evaluation obtained an average accuracy of 0.987 and F1 score of 0.9935.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150286
Uncontrolled Keywords:	visi komputer, deteksi objek, pelacakan objek, perhitungan objek, DeepSORT, YOLOV5-computer vision, object detection, object tracking, object counting, DeepSORT, YOLOV5
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	06 Jun 2024 07:02
Last Modified:	06 Jun 2024 07:02
URI:	http://repository.ub.ac.id/id/eprint/220218

Text (DALAM MASA EMBARGO) Firman Afrialdy.pdf Restricted to Registered users only Download (6MB)

Actions (login required)

View Item