HIDAYAT, RAFLI and Rathomi, Muhamad Radzi and Nurfalinda, Nurfalinda (2025) IMPLEMENTASI YOLOV8 PADA RASPBERRY PI 4B DALAM DETEKSI JENIS KAPAL (STUDI KASUS PELABUHAN SRI BAYINTAN KIJANG). S1 thesis, Universitas Maritim Raja Ali Haji.
![[img]](http://repositori.umrah.ac.id/style/images/fileicons/text.png) |
Text (Cover)
RAFLI_HIDAYAT_2001020061_Teknik_Informatika - Cover.pdf - Published Version Download (335kB) |
|
Text (Abstrak)
RAFLI_HIDAYAT_2001020061_Teknik_Informatika - Abstrak.pdf - Published Version Download (374kB) |
|
Text (BAB 1)
RAFLI_HIDAYAT_2001020061_Teknik_Informatika - BAB I.pdf - Published Version Download (707kB) |
|
Text (Daftar Pustaka)
RAFLI_HIDAYAT_2001020061_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (723kB) |
|
Text (Full Teks)
RAFLI_HIDAYAT_2001020061_Teknik_Informatika - Full Teks.pdf - Submitted Version Restricted to Repository staff only Download (1MB) | Request a copy |
Abstract
Pelabuhan Sri Bayintan Kijang merupakan salah satu pelabuhan strategis di Kepulauan Riau yang terletak di Kecamatan Bintan Timur, Kabupaten Bintan. Wilayah pelabuhan ini berada dalam kondisi lingkungan yang dinamis, ruang gerak yang terbatas, serta kehadiran berbagai jenis kapal dalam jarak yang relatif dekat memerlukan teknologi deteksi yang mampu memberikan hasil akurat dan cepat sehingga diperlukan teknologi dengan memanfaatkan algoritma terbaru untuk mengatasi permasalahan ini. Tujuan dari dilakukan penelitian ini adalah mengimplementasikan YOLOv8 pada Raspberry Pi 4B dalam melakukan deteksi kapal dipelabuhan Sri Bayintan Kijang. Jenis kapal yang akan dideteksi yaitu kapal penumpang, kapal pandu, kapal tugboat, kapal kargo, dan kapal nelayan. Dari 5 jenis kapal tersebut dikumpulkan dataset sebanyak 750 data atau 150 data perjenis yang dibagi menjadi 80% (120) data pelatihan dan 20% (30) data validasi yang akan dilatih menggunakan 5 variasi batch size, epoch, dan image size. Berdasarkan hasil pelatihan diperoleh bahwa variasi terbaik adalah variasi batch size 8, epoch 50, dan image size 416 yang menghasilkan F1-score sebesar 96%, mAP 0.986, dan waktu komputasi dalam 0.531 sekon. Model ini kemudian diimpementasikan ke perangkat Raspberry Pi 4B dan berhasil melakukan deteksi jenis kapal di pelabuhan Sri Bayintan Kijang secara realtime.
| Item Type: | Thesis (S1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
|||||||||
| Subjects: | 000_umum > 000. Ilmu Umum dan Komputer > 006.3 Artificial Intelligence/Kecerdasan Buatan | |||||||||
| Divisions: | Fakultas Teknik > Program Studi Teknik Informatika | |||||||||
| Depositing User: | user Teknik Informatika | |||||||||
| Date Deposited: | 29 Jul 2025 04:37 | |||||||||
| Last Modified: | 29 Jul 2025 04:37 | |||||||||
| URI: | http://repositori.umrah.ac.id/id/eprint/9129 |
Actions (login required)
 |
View Item |