PERANCANGAN SISTEM PERINGATAN PENGGUNAAN ROKOK ELEKTRIK MENGGUNAKAN TEKNOLOGI DETEKSI OBJEK BERBASIS PEMBELAJARAN MESIN

Tiara Afriani, - (2024) PERANCANGAN SISTEM PERINGATAN PENGGUNAAN ROKOK ELEKTRIK MENGGUNAKAN TEKNOLOGI DETEKSI OBJEK BERBASIS PEMBELAJARAN MESIN. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Penggunaan rokok elektrik yang semakin meluas menimbulkan kekhawatiran terkait dampak kesehatan, seperti yang disoroti oleh WHO. WHO mengidentifikasi bahaya kesehatan dari rokok elektrik, termasuk efek merugikan pada perkembangan otak, gangguan belajar pada kaum muda, dan risiko pada janin wanita hamil, baik untuk perokok aktif maupun pasif. Pada penelitian sebelumnya telah dikembangkan deteksi rokok elektrik menggunakan YOLOv7 dengan dataset dari platform TikTok, tidak banyak penelitian yang mengkaji deteksi ini dalam lingkungan nyata. Penelitian ini bertujuan untuk merancang dan mengevaluasi sistem deteksi rokok elektrik dengan teknologi deteksi objek berbasis Machine learning yang dapat diimplementasikan dalam kondisi nyata. Metode yang digunakan adalah AI Project Cycle. Dataset yang digunakan dibuat sendiri, dimulai dari pengumpulan data yang mencakup gambar rokok elektrik dan asap dalam berbagai kondisi pencahayaan dan jarak. Model yang digunakan adalah YOLOv8, dengan fokus pada akurasi deteksi dan efisiensi. Sistem berhasil dibangun menggunakan Jetson Nano dan kamera webcam, serta diuji menggunakan metrik evaluasi. Evaluasi model menunjukkan akurasi sebesar 78.8%, precision 72.8%, recall 74.1%, dan mean Average Precision (mAP) 74.6%. Hasil penelitian menunjukkan bahwa kinerja model sangat baik pada kondisi pencahayaan 100 – 650 lux dan jarak 1 – 2 meter. Efektivitas deteksi model menurun pada kondisi pencahayaan yang rendah atau jarak deteksi yang melebihi 3 meter. Secara keseluruhan sistem deteksi yang dirancang menunjukkan kinerja yang cukup baik, namun masih perlu meningkatkan akurasi dalam kondisi pencahayaan rendah dan pada jarak deteksi yang lebih jauh. ------------ The widespread use of electronic cigarettes has raised concerns about health impacts, as highlighted by the WHO. The WHO identifies health hazards of electronic cigarettes, including adverse effects on brain development, learning disabilities in young people, and risks to the fetuses of pregnant women, both for active and passive smokers. Previous research has developed electronic cigarette detection using YOLOv7 with datasets from the TikTok platform, but few studies have examined this detection in real-world environments. This study aims to design and evaluate an electronic cigarette detection system using machine learning-based object detection technology that can be implemented in real-world conditions. The method used is the AI Project Cycle. The dataset was self-created, starting with data collection, including images of electronic cigarettes and smoke under various lighting conditions and distances. The model used is YOLOv8, focusing on detection accuracy and efficiency. The system was successfully built using Jetson Nano and a webcam, and tested using evaluation metrics. Model evaluation showed an accuracy of 78.8%, precision of 72.8%, recall of 74.1%, and a mean Average Precision (mAP) of 74.6%. The results indicate that the model performs very well under lighting conditions of 100-650 lux and distances of 1-2 meters. The detection effectiveness decreases under low lighting conditions or detection distances exceeding 3 meters. Overall, the designed detection system demonstrates fairly good performance but still needs improvement in accuracy under low lighting conditions and at greater detection distances

	Text S_TEKOM_2008251_Title.pdf Download (1MB)
	Text S_TEKOM_2008251_Chapter1.pdf Download (388kB)
	Text S_TEKOM_2008251_Chapter2.pdf Restricted to Staf Perpustakaan Download (969kB)
	Text S_TEKOM_2008251_Chapter3.pdf Download (538kB)
	Text S_TEKOM_2008251_Chapter4.pdf Restricted to Staf Perpustakaan Download (2MB)
	Text S_TEKOM_2008251_Chapter5.pdf Download (258kB)
	Text S_TEKOM_2008251_Appendix.pdf Restricted to Staf Perpustakaan Download (2MB)

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?view_op=list_works&hl=en&user=3-ORbtQAAAAJ&gmla=AC6lMd9hx6QMBdIIDrv41jN5T73renvVyqcp00xj4RMCfc7aCzMmozR5IXvP-73kAmN5he6Ks9R7UejqcR1Z39uaMCs3iXcD3OO1E2J4EEI ID SINTA PEMBIMBING: Muhammad Taufik Dwi Putra: 6745726 Anugrah Adiwilaga: 6745914
Uncontrolled Keywords:	Rokok Elektrik, Pembelajaran Mesin, Deteksi Objek, YOLOv8, AI Project Cycle
Subjects:	L Education > L Education (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	UPI Kampus cibiru > S1 Teknik Komputer
Depositing User:	Tiara Afriani
Date Deposited:	11 Sep 2024 03:54
Last Modified:	11 Sep 2024 03:54
URI:	http://repository.upi.edu/id/eprint/122608

Actions (login required)

View Item