IMPLEMENTASI METODE YOLOv5 PADA SISTEM PENDETEKSI ROKOK DI AREA BEBAS ASAP ROKOK
Abstract
Perilaku merokok bukan hanya dapat membahayakan kesehatan bagi si perokok, tetapi juga bagi orang yang berada di sekitarnya. Fenomena ini sering terjadi dalam kehidupan sehari-hari, di mana bagi seorang perokok tidak peduli bahwa asap rokok dapat mengganggu orang di sekitarnya. Salah satu upaya yang dapat dilakukan adalah dengan melakukan pengawasan menggunakan aplikasi pendeteksi rokok berbasis YOLOv5, yang dapat melakukan pendeteksian secara real-time dan akurat. Dari hasil pengujian didapatkan rata-rata skor kepercayaan di atas 50% dan dapat memproses lebih dari 20 FPS. Pemilihan model juga penting dan menyesuaikan spesifikasi perangkat, sehingga tidak mempengaruhi proses pendeteksian yang mengakibatkan pendeteksian tidak dapat dilakukan secara real-time. Dengan adanya penelitian ini diharapkan perilaku merokok dapat dikontrol di ruang publik seperti didalami ruangan ataupun di luar ruangan sehingga tidak mengganggu kenyamanan umum.
Kata Kunci: Rokok, YOLOv5, Deteksi Objek, Real-Time; Monitoring.
References
Ethiraj, S., & Bolla, B. K. (2022). Augmentations: An Insight into Their Effectiveness on Convolution Neural Networks. Communications in Computer and Information Science, 1613 CCIS. https://doi.org/10.1007/978-3-031-12638-3_26
Jocher, G., Chaurasia, A., Stoken, A., Borovec, J., NanoCode012, Kwon, Y., Michael, K., TaoXie, Fang, J., imyhxy, Lorna, Yifu), 曾逸夫(Zeng, Wong, C., V, A., Montes, D., Wang, Z., Fati, C., Nadar, J., Laughing, … Jain, M. (2022). ultralytics/yolov5: v7.0 - YOLOv5 SOTA Realtime Instance Segmentation. Zenodo. https://doi.org/10.5281/zenodo.7347926
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. In Business Horizons (Vol. 62, Issue 1). https://doi.org/10.1016/j.bushor.2018.08.004
Ma, Y., Yang, J., Li, Z., & Ma, Z. (2022). YOLO-Cigarette: An effective YOLO Network for outdoor smoking Real-time Object Detection. Proceedings - 2021 9th International Conference on Advanced Cloud and Big Data, CBD 2021. https://doi.org/10.1109/CBD54617.2021.00029
Mumuni, A., & Mumuni, F. (2022). Data augmentation: A comprehensive survey of modern approaches. Array, 16, 100258. https://doi.org/10.1016/j.array.2022.100258
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. https://doi.org/10.1109/CVPR.2016.91
Tan, Y. L., & Dorotheo, U. (2021). The Tobacco Control Atlas ASEAN Region, Fifth Edition. In Southeast Asia Tobacco Control Alliance (Issue December).
Wei, Z., Duan, C., Song, X., Tian, Y., & Wang, H. (2020). AMRNet: Chips Augmentation in Aerial Images Object Detection.
Copyright (c) 2024 Aliffatul Majid Fathoni, Eri Zuliarso
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
