IMPLEMENTASI METODE YOU ONLY LOOK ONCE (YOLOv5) DALAM DETEKSI PELANGGARAN HELM
IMPLEMENTATION OF THE YOU ONLY LOOK ONCE (YOLOv5) METHOD IN DETECTING HELMET VIOLATIONS
Pelanggaran pada lalu lintas yang di sebabkan oleh pengendara roda dua yang sering di tindak pada saat melakukan operasi patuh pada tahun 2023 mencatat, terdapat tiga pelanggaran terbanyak yang dilakukan oleh kendaraan roda dua. Paling banyak adalah pelanggaran tidak menggunakan helm yaitu sebanyak 8.916 pelanggaran (Made et al., 2020). Tujuan penelitian ini adalah menghasilkan sistem deteksi kendaraan berdasarkan kelasnya melalui analisis video berbasis algoritma YOLOv5. Metode yang disajikan dalam penelitian ini berfokus pada optimasi dan implementasi algoritma YOLOv5 untuk mendeteksi objek berupa helm pada pengendara roda dua pada saat berkendara, menggunakan dataset berisi 2000 gambar, dengan 1200 gambar untuk pelatihan dan 800 gambar untuk pengujian. Pelatihan dilakukan hingga mencapai langkah 200 epoch dengan batch 48 dengan ukuran gambar 448. Hasil penelitian dan uji coba berdasarkan eksperimen yang penulis lakukan, penulis berhasil mencapai nilai F1 Score sebesar 0.87 dan nilai mAP 0.90 menggunakan algoritma YOLOv5 dengan arsitektur YOLOv5m. Adanya beberapa faktor yang memengaruhi hasil deteksi adalah latar belakang objek pada gambar, posisi objek, terdapat objek penghalang pada sudut tertentu, serta tinggi/jarak objek.
Violations in traffic caused by two-wheeler riders, often addressed during compliance operations in 2023, recorded three most frequent violations committed by two-wheeled vehicles. The most prevalent was the violation of not wearing helmets, totaling 8,916 violations (Made et al., 2020). The aim of this research is to develop a vehicle detection system based on its class through video analysis using the YOLO version 5 algorithm. The method presented in this study focuses on optimizing and implementing the YOLOv5 algorithm to detect objects such as helmets on two-wheeler riders during their rides, using a dataset containing 2000 images, with 1200 images for training and 800 images for testing. Training was conducted until reaching 200 epochs with a batch size of 48 and image size of 448. Based on the results of experiments conducted by the authors, an F1 Score of 0.87 and an mAP value of 0.90 were achieved using the YOLOv5 algorithm with the YOLOv5m architecture. Several factors influencing the detection results include the background of objects in the image, object positions, the presence of obstructing objects at certain angles, as well as the height/distance of objects.