RANCANGAN PROTOTIPE SISTEM PERHITUNGAN OBJEK MANUSIA BERBASIS VIDEO MENGGUNAKAN METODE YOLOV4

Abstract

ABSTRAK
RANCANGAN PROTOTIPE SISTEM PERHITUGAN OBJEK MANUSIA BERBASIS VIDEO MENGGUNAKAN METODE YOLO V4. Perhitungan objek berbasis video merupakan salah satu tantangan dalam pengolahan citra yang memiliki banyak aplikasi, seperti pemantauan lalu lintas, penghitungan kerumunan, dan pengawasan otomatis. Penelitian ini bertujuan untuk merancang purwarupa sistem perhitungan objek yang efisien dan akurat menggunakan metode YOLOv4, sebuah algoritma deep learning yang unggul dalam deteksi objek secara real-time. Sistem ini dirancang dengan memanfaatkan dataset video yang relevan, di mana data dilatih untuk mendeteksi dan menghitung berbagai jenis objek. Metodologi yang digunakan mencakup tahapan pengumpulan data, preprocessing, pelatihan model YOLOv4, dan pengujian sistem pada berbagai skenario. Hasil pengujian menunjukkan bahwa prototipe sistem ini mampu mendeteksi dan menghitung objek dengan tingkat akurasi mencapai 95% pada kondisi video dengan pencahayaan dan resolusi yang memadai. Kesimpulannya, metode YOLOv4 terbukti efektif dalam membangun sistem perhitungan objek berbasis video, dengan potensi implementasi yang luas pada berbagai bidang. Penelitian ini memberikan kontribusi penting dalam pengembangan teknologi berbasis visi komputer yang lebih cerdas dan responsif.

Kata kunci: deteksi objek, yolo, phyton, deep learning, kata-5 (maksimum 5 kata)

ABSTRACT
DESIGN OF A VIDEO-BASED HUMAN OBJECT COUNTING SYSTEM PROTOTYPE USING YOLO V4 METHOD. Video-based object counting is a significant challenge in image processing with numerous applications, such as traffic monitoring, crowd counting, and automated surveillance. This study aims to design an efficient and accurate object counting system prototype using the YOLOv4 method, a state-of-the-art deep learning algorithm for real-time object detection. The system is developed using relevant video datasets, where the data is trained to detect and count various types of objects. The methodology includes stages of data collection, preprocessing, YOLOv4 model training, and system testing in various scenarios. Testing results indicate that this system prototype can detect and count objects with an accuracy rate of up to 95% under adequate video lighting and resolution conditions. In conclusion, the YOLOv4 method proves effective in building a video-based object counting system with broad potential applications in various fields. This research makes a significant contribution to the development of smarter and more responsive computer vision-based technology.

Keywords: object detection, yolo, phyton, deep learning, word-5