Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Open Access DRIVERset
Sootomosi Laia
Universitas Pamulang
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Deteksi Kendaraan Dengan Metode YOLO Muhammad Fauzan Arif; Ahmad Nurkholis; Sootomosi Laia; Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 1 No. 1 (2023): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Deteksi kendaraan memiliki peran penting dalam berbagai aplikasi seperti pengawasan lalu lintas, pengenalan plat nomor, dan pengembangan kendaraan otonom. Metode deteksi objek YOLO (You Only Look Once) telah dikenal sebagai pendekatan deteksi objek real-time dengan kecepatan tinggi. Dalam penelitian ini, kami menggunakan metode YOLO untuk mendeteksi kendaraan dalam citra dan video. Metode YOLO menerapkan deteksi objek sebagai masalah regresi langsung dari bounding box dan kelas, sehingga menghasilkan waktu eksekusi yang cepat tanpa memerlukan langkah-langkah tambahan seperti region proposal. Tujuan penelitian ini adalah untuk melakukan tinjauan literatur terhadap penggunaan metode YOLO dalam deteksi kendaraan. Kami ingin menganalisis kelebihan dan kekurangan metode ini dalam konteks deteksi kendaraan serta mengidentifikasi tren penelitian terkait yang telah dilakukan.Tinjauan literatur ini menyimpulkan bahwa metode YOLO memiliki keunggulan dalam deteksi kendaraan berkat kecepatan eksekusi yang tinggi dan akurasi yang baik. Metode ini telah digunakan secara luas dalam berbagai aplikasi deteksi kendaraan dan telah berhasil mengatasi tantangan dalam pengenalan objek dalam konteks yang real-time. Namun, juga ditemukan beberapa keterbatasan dalam deteksi objek kecil dan objek yang tumpang tindih. Penelitian masa depan dapat difokuskan pada pengembangan metode YOLO yang dapat mengatasi keterbatasan ini dan meningkatkan akurasi deteksi kendaraan secara keseluruhan.
Deteksi Kendaraan Dengan Metode YOLO Muhammad Fauzan Arif; Ahmad Nurkholis; Sootomosi Laia; Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 1 No. 1 (2023): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Deteksi kendaraan memiliki peran penting dalam berbagai aplikasi seperti pengawasan lalu lintas, pengenalan plat nomor, dan pengembangan kendaraan otonom. Metode deteksi objek YOLO (You Only Look Once) telah dikenal sebagai pendekatan deteksi objek real-time dengan kecepatan tinggi. Dalam penelitian ini, kami menggunakan metode YOLO untuk mendeteksi kendaraan dalam citra dan video. Metode YOLO menerapkan deteksi objek sebagai masalah regresi langsung dari bounding box dan kelas, sehingga menghasilkan waktu eksekusi yang cepat tanpa memerlukan langkah-langkah tambahan seperti region proposal. Tujuan penelitian ini adalah untuk melakukan tinjauan literatur terhadap penggunaan metode YOLO dalam deteksi kendaraan. Kami ingin menganalisis kelebihan dan kekurangan metode ini dalam konteks deteksi kendaraan serta mengidentifikasi tren penelitian terkait yang telah dilakukan.Tinjauan literatur ini menyimpulkan bahwa metode YOLO memiliki keunggulan dalam deteksi kendaraan berkat kecepatan eksekusi yang tinggi dan akurasi yang baik. Metode ini telah digunakan secara luas dalam berbagai aplikasi deteksi kendaraan dan telah berhasil mengatasi tantangan dalam pengenalan objek dalam konteks yang real-time. Namun, juga ditemukan beberapa keterbatasan dalam deteksi objek kecil dan objek yang tumpang tindih. Penelitian masa depan dapat difokuskan pada pengembangan metode YOLO yang dapat mengatasi keterbatasan ini dan meningkatkan akurasi deteksi kendaraan secara keseluruhan.
Co-Authors Ahmad Nurkholis Muhammad Fauzan Arif Perani Rosyani