PENERAPAN KNOWLEDGE DISTILLATION PADA YOLOV5 UNTUK DETEKSI RAMBU LALU LINTAS INDONESIA

Zaini, Muhammad Zhillan (2024) PENERAPAN KNOWLEDGE DISTILLATION PADA YOLOV5 UNTUK DETEKSI RAMBU LALU LINTAS INDONESIA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (187kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (319kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (805kB)
	Text (BAB V) BAB V.pdf Download (43kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (203kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3678.zip Restricted to Repository staff only Download (122MB)

Abstract

Rambu lalu lintas merupakan bagian penting dalam memastikan keselamatan berkendara. Karena rambu lalu lintas menjadi media pemberi informasi terkait kondisi jalan, serta acuan pengambilan keputusan dalam perjalanan. Dalam sistem kendaraan pintar, rambu lalu lintas merupakan komponen penting karena sistem ini bergantung pada kemampuan mendeteksi dan mengenali rambu. Namun dalam penerapannya, ditemui tantangan yaitu keterbatasan daya komputasi dan memori pada perangkat seperti edge-device atau mobile. Maka dari itu diperlukan adanya model yang efisien namun tetap mampu menunjukkan performa dan akurasi yang baik. Penelitian ini memiliki tujuan untuk menerapkan teknik kompresi model yaitu knowledge distillation pada model algoritma YOLOv5 untuk deteksi rambu lalu lintas Indonesia. Teknik ini pada dasarnya adalah konsep yang menggunakan model besar (teacher) untuk men-transfer pengetahuan ke model kecil (student). Hasil penelitian menunjukkan model student hasil pelatihan dengan teknik knowledge distillation mampu menampilkan performa yang baik dan hampir menyamai performa model teacher. Pada proses evaluasi model, didapatkan mean Average Precision (mAP@0.5) sebesar 0.953 pada 25 kelas rambu lalu lintas. Dalam segi efisiensi, model student hanya membutuhkan 0.029 detik untuk inferensi pada 12 gambar. Hasil temuan penelitian ini menunjukkan bahwa kombinasi model YOLOv5 dan teknik knowlede distillation berpotensi menjadi solusi optimal pada sistem dengan sumber daya terbatas untuk deteksi rambu lalu lintas di Indonesia.

Actions (login required)

View Item