PERBANDINGAN KINERJA METODE YOLO V7, SSD, RETINANET, DAN SCALED YOLO V4 UNTUK DETEKSI OBJEK KERUSAKAN PADA PERMUKAAN JALAN

Ade Prianto, - (2023) PERBANDINGAN KINERJA METODE YOLO V7, SSD, RETINANET, DAN SCALED YOLO V4 UNTUK DETEKSI OBJEK KERUSAKAN PADA PERMUKAAN JALAN. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_KOM_1700502_Title.pdf Download (212kB)
	Text S_KOM_1700502_Chapter1.pdf Download (74kB)
	Text S_KOM_1700502_Chapter2.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_KOM_1700502_Chapter3.pdf Download (298kB)
	Text S_KOM_1700502_Chapter4.pdf Restricted to Staf Perpustakaan Download (4MB)
	Text S_KOM_1700502_Chapter5.pdf Download (47kB)
	Text S_KOM_1700502_Appendix.pdf Restricted to Staf Perpustakaan Download (34kB)

Abstract

Jalan merupakan salah satu aspek penting yang sangat dibutuhkan dalam kemajuan suatu daerah di berbagai aspek baik dari segi ekonomi, sosial, dan politik. Jalan yang terus menerus dilalui oleh volume lalu lintas kendaraan yang tinggi dapat menyebabkan kerusakan pada permukaan jalan tersebut. Pengidentifikasian jenis kerusakan jalan secara otomatis merupakan hal yang perlu dilakukan dalam upaya penanganan kerusakan jalan. Dari permasalahan tersebut, penelitian ini bertujuan untuk membangun model pendeteksi kerusakan pada permukaan jalan menggunakan metode You Only Look Once (YOLO) v7. Selain itu, pada penelitian ini juga diimplementasikan beberapa metode objek deteksi lainnya yaitu Single Shot Detector (SSD), RetinaNet dan Scaled YOLOv4 untuk memperoleh gambaran perbandingan kinerja YOLOv7 dengan model SSD, RetinaNet dan Scaled YOLOv4. Hasil penelitian menunjukkan bahwa model YOLOv7 merupakan model deteksi terbaik dibandingkan model lainnya dengan nilai AP@0.5 sebesar 70.8% dengan kecepatan deteksi sebesar 23.07 millisecond per gambar. Model Scaled YOLOv4 mendapatkan nilai AP@0.5 sebesar 60.2% dengan kecepatan deteksi sebesar 38.43 millisecond per gambar. Model RetinaNet mendapatkan nilai AP@0.5 sebesar 56.8% dengan kecepatan deteksi sebesar 99.48 millisecond per gambar dan model SSD mendapatkan nilai AP@0.5 sebesar 41.2% dengan kecepatan deteksi sebesar 23.8 millisecond per gambar; Road is one of the most important aspects that is needed in the development of an area in various aspects both in terms of economic, social and political. Roads that are continuously traversed by high volumes of vehicle traffic can cause damage to the road surface. Identifying the type of road damage automatically is something that needs to be done in an effort to deal with road damage. From these problems, this study aims to build a damage detection model on the road surface using the You Only Look Once (YOLO) v7 method. In addition, this study also implemented several other object detection methods, namely Single Shot Detector (SSD), RetinaNet and Scaled YOLOv4 to obtain a comparison of the performance of YOLOv7 with SSD, RetinaNet and Scaled YOLOv4 models. The results showed that the YOLOv7 model is the best detection model compared to other models with AP@0.5 value of 70.8% with prediction speed of 23.07 milliseconds per image. The Scaled YOLOv4 model gets AP@0.5 value of 60.2% with a prediction speed of 38.43 milliseconds per image. The RetinaNet model gets AP@0.5 value of 56.8% with a prediction speed of 99.48 milliseconds per image and the SSD model gets AP@0.5 value of 41.2% with a prediction speed of 23.8 milliseconds per image.

Item Type:	Thesis (S1)
Additional Information:	SINTA ID : 6143456 SINTA ID : 6143243
Uncontrolled Keywords:	Deep Learning, Object Detection, YOLOv7, SSD, RetinaNet, Scaled YOLOv4.
Subjects:	L Education > L Education (General)
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User:	Ade Prianto
Date Deposited:	22 May 2023 00:15
Last Modified:	22 May 2023 00:15
URI:	http://repository.upi.edu/id/eprint/90370

Actions (login required)

View Item