IMPLEMENTASI MODEL YOLO V5 UNTUK DETEKSI KOREK API DALAM KEAMANAN PENERBANGAN
DOI:
https://doi.org/10.23960/jitet.v13i1.5553Abstract Views: 382 File Views: 391
Abstract
Keamanan dalam transportasi udara merupakan prioritas utama, dengan regulasi ketat terkait barang-barang yang dapat dibawa ke dalam pesawat. Korek api adalah salah satu barang yang sering kali dibatasi karena potensinya sebagai sumber api yang berbahaya. Penelitian ini bertujuan mengembangkan model deteksi korek api yang akurat menggunakan YOLO v5 untuk meningkatkan keamanan penerbangan. Metodologi yang digunakan dalam penelitian ini adalah CRISP-DM (Cross Industry Standard Process for Data Mining), yang terdiri dari tahapan pemahaman bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi. Dataset yang digunakan adalah data primer yang terdiri dari 37 gambar potret korek api dengan resolusi tinggi, yang diambil sendiri menggunakan kamera HP. Gambar-gambar ini diunggah ke platform Roboflow untuk anotasi dan augmentasi, menghasilkan dataset yang tiga kali lipat dari jumlah gambar awal. Model YOLO v5 dilatih menggunakan Google Colab dengan 100 epoch, batch size 16, dan ukuran gambar 416 piksel. Evaluasi model menunjukkan hasil yang sangat baik dengan nilai precision, recall, mAP 0,5, dan mAP 0,95 yang meningkat mendekati 1 seiring bertambahnya epoch. Hasil ini membuktikan bahwa YOLO v5 memiliki kemampuan deteksi korek api yang sangat akurat, yang dapat diimplementasikan dalam sistem keamanan bandara untuk mendeteksi barang-barang berbahaya secara otomatis. Penelitian ini menyimpulkan bahwa model YOLO v5 efektif untuk deteksi korek api dan dapat meningkatkan keselamatan transportasi udara.Downloads
References
A. J. Stolzer, R. L. Sumwalt, and J. J. Goglia, Safety management systems in aviation. CRC Press, 2023.
W. Kim, S. Jun, S. Kang, and C. Lee, “O-Net: Dangerous Goods Detection in Aviation Security Based on U-Net,” IEEE Access, vol. 8, pp. 206289–206302, 2020.
E. Ukwandu et al., “Cyber-Security Challenges in Aviation Industry: A Review of Current and Future Trends,” Information (Switzerland), vol. 13, no. 3, pp. 1–22, 2022, doi: 10.3390/info13030146.
F. Yahya Dewata and Y. Aji Puspitasari, “Pengaruh Kualitas Pelayanan Aviation Security Terhadap Kepuasan Penumpang Di Bandar Udara Supadio Pontianak,” Flight Attendant Kedirgantaraan : Jurnal Public Relation, Pelayanan, Pariwisata, vol. 4, no. 1, pp. 123–131, 2022, doi: 10.56521/attendant-dirgantara.v4i1.543.
V. Nomor, B. Bahreisy, and F. Saputra, “Responsibility of Airline For Civil Aviation Safety For Dangerous Materials and Goods in Aircraft,” DE LEGA LATA: Jurnal Ilmu Hukum, vol. 7, no. 1, pp. 103–114, 2022, doi: 10.30596/dll.v7i1.8082.
R. Abeyratne, Aviation in the Digital age. Springer, 2020.
Z. Zou, Z. Shi, Y. Guo, and J. Ye, “Object Detection in 20 Years: A Survey,” pp. 1–39, 2019.
M. Brems, “Image Preprocessing.”
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “Yout Only Look Once: Unified, Real-Time Object Detection,” vol. 27, no. 3, pp. 306–308, 2016, doi: 10.1021/je00029a022.
M. Sarosa et al., “Implementasi Algoritma You Only Look Once ( Yolo ) Untuk Implementation of You Only Look Once ( Yolo ) Algorithm for,” vol. 8, no. 4, pp. 787–792, 2021, doi: 10.25126/jtiik.202184407.
Y. W. Chen and J. M. Shiu, “An implementation of YOLO-family algorithms in classifying the product quality for the acrylonitrile butadiene styrene metallization,” International Journal of Advanced Manufacturing Technology, 2022, doi: 10.1007/s00170-022-08676-5.
F. H. Arby, I. Husni, and A. Amin, “Implementation of YOLO-v5 for a real-time Social Distancing Detection,” vol. 6, no. 1, pp. 1–6, 2022.
T. Abuzairi, Nurdina Widanti, Arie Kusumaningrum, and Yeni Rustina, “Implementasi Convolutional Neural Network Untuk Deteksi Nyeri Bayi Melalui Citra Wajah Dengan YOLO,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 4, pp. 624–630, 2021, doi: 10.29207/resti.v5i4.3184.
R. Hesananda, D. Natasya, and N. Wiliani, “Cloth Bag Object Detection Using the Yolo Algorithm (You Only See Once) V5,” Jurnal Pilar Nusa Mandiri, vol. 18, no. 2, pp. 217–222, 2023, doi: 10.33480/pilar.v18i2.3019.
U. Nepal and H. Eslamiat, “Comparing YOLOv3, YOLOv4 and YOLOv5 for autonomous landing spot detection in faulty UAVs,” Sensors, vol. 22, no. 2, p. 464, 2022.
O. Kıvrak and M. Z. Gürbüz, “Performance comparison of yolov3, yolov4 and yolov5 algorithms: A case study for poultry recognition,” Avrupa Bilim ve Teknoloji Dergisi, no. 38, pp. 392–397, 2022.
M. M. Yusro, R. Ali, and M. S. Hitam, “Comparison of faster r-cnn and yolov5 for overlapping objects recognition,” Baghdad Science Journal, vol. 20, no. 3, p. 893, 2023.
R. Iyer, P. S. Ringe, and K. P. Bhensdadiya, “Comparison of YOLOv3, YOLOv5s and MobileNet-SSD V2 for real-time mask detection,” Artic. Int. J. Res. Eng. Technol, vol. 8, pp. 1156–1160, 2021.
U. Shafique and H. Qaiser, “A comparative study of data mining process models (KDD, CRISP-DM and SEMMA),” International Journal of Innovation and Scientific Research, vol. 12, no. 1, pp. 217–222, 2014.
R. Hesananda, Algoritma Klasifikasi Bibit Terbaik untuk Tanaman Keladi Tikus. Penerbit NEM, 2021.
R. Wirth, “CRISP-DM : Towards a Standard Process Model for Data Mining,” no. 24959, 2000.
C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Computer Science, vol. 181, pp. 526–534, 2021.
J. S. Saltz, “CRISP-DM for data science: strengths, weaknesses and potential next steps,” in 2021 IEEE International Conference on Big Data (Big Data), IEEE, 2021, pp. 2337–2344.
V. Plotnikova, M. Dumas, and F. P. Milani, “Applying the CRISP-DM data mining process in the financial services industry: Elicitation of adaptation requirements,” Data & knowledge engineering, vol. 139, p. 102013, 2022.
R. R. Burhanuddin, “KLASIFIKASI PENYAKIT PADI MELALUI CITRA DAUN MENGGUNAKAN METODE NAIVE BAYES,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4012.
M. Muchtar and R. A. Muchtar, “PERBANDINGAN METODE KNN DAN SVM DALAM KLASIFIKASI KEMATANGAN BUAH MANGGA BERDASARKAN CITRA HSV DAN FITUR STATISTIK,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4010.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “Yout Only Look Once: Unified, Real-Time Object Detection,” vol. 27, no. 3, pp. 306–308, 2016, doi: 10.1021/je00029a022.
F. H. Arby, I. Husni, and A. Amin, “Implementation of YOLO-v5 for a real-time Social Distancing Detection,” vol. 6, no. 1, pp. 1–6, 2022.
B. Chethan Kumar, R. Punitha, and Mohana, “YOLOv3 and YOLOv4: Multiple object detection for surveillance applications,” Proceedings of the 3rd International Conference on Smart Systems and Inventive Technology, ICSSIT 2020, no. Icssit, pp. 1316–1321, 2020, doi: 10.1109/ICSSIT48917.2020.9214094.
International Air Transport Association (IATA), “Dangerous Goods Regulations TABLE 2.3.A Provisions for Dangerous Goods Carried by Passengers or Crew (Subsection 2.3),” New York, Jan. 2021.
M. M. Yusro, R. Ali, and M. S. Hitam, “Comparison of faster r-cnn and yolov5 for overlapping objects recognition,” Baghdad Science Journal, vol. 20, no. 3, p. 893, 2023.
