Implementasi Algoritma YOLOv5 untuk Otomatisasi Iklan Layananan Publik tentang Larangan Merokok
DOI:
https://doi.org/10.33795/jip.v11i2.6343Keywords:
Deep Learning, Perilaku Merokok, Kesehatan Masyarakat, Larangan Merokok, YOLOv5Abstract
Kebijakan larangan merokok di tempat umum merupakan prioritas global dalam meningkatkan kesehatan masyarakat dan mengurangi dampak negatif rokok terhadap lingkungan sosial. Namun, penegakan kebijakan ini masih menghadapi tantangan, terutama di lingkungan publik yang kompleks. Penelitian ini mengusulkan implementasi algoritma YOLOv5 (You Only Look Once versi 5), sebuah metode deep learning untuk deteksi objek secara real-time. YOLOv5 bekerja dengan mendeteksi dan melokalisasi objek pada citra atau video menggunakan kotak pembatas (bounding box), memungkinkan identifikasi yang cepat dan akurat. Dalam konteks ini, YOLOv5 digunakan untuk mendeteksi perilaku merokok dengan mengidentifikasi objek rokok yang menyala dan posisi tangan yang menunjukkan aktivitas merokok. Model dilatih menggunakan dataset yang mencakup variasi posisi, pencahayaan, dan latar belakang, dengan pembagian data 80% untuk training, 10% untuk validation, dan 10% untuk testing. Hasil evaluasi menunjukkan performa model dengan Mean Average Precision (mAP) sebesar 0,483, F1-Score sebesar 81%, dan recall sebesar 84%. Implementasi ini membuktikan bahwa YOLOv5 memiliki potensi besar untuk mendukung otomatisasi pengawasan kebijakan larangan merokok. Selain itu, sistem ini dapat memicu iklan layanan publik yang relevan untuk meningkatkan kesadaran masyarakat terhadap bahaya rokok secara dinamis dan adaptif, terutama di tempat umum.
Downloads
References
Aksol, M. I. M., & Sodik, M. A. (2021). Bahaya Merokok Bagi Masa Depan dan Kesehatan. IIK Strada Indonesia, 1(1), 1–5.
Arianto, B. I., & Zuliarso, E. (2023). Implementasi Metode YOLO pada Deteksi Pakaian Keselamatan yang Lengkap di Proyek Kontruksi. Journal of Multidisciplinary Research and Development, 6(1), 56–63. https://creativecommons.org/licenses/by/4.0/
Darma, I. W. A. S., Suciati, N., & Siahaan, D. (2021). A Performance Comparison of Balinese Carving Motif Detection and Recognition using YOLOv5 and Mask R-CNN. 2021 5th International Conference on Informatics and Computational Sciences (ICICoS), 52–57. https://doi.org/10.1109/ICICoS53627.2021.9651855
Dong, X., Yan, S., & Duan, C. (2022). A lightweight vehicles detection network model based on YOLOv5. Engineering Applications of Artificial Intelligence, 113, 104914. https://doi.org/10.1016/j.engappai.2022.104914
Gojali, M. I., & Tjiong, E. L. (2023). Pengembangan Aplikasi Deteksi Objek Rokok Dan Kegiatan Merokok Menggunakan Algoritma YOLOv3. KALBISCIENTIA Jurnal Sains Dan Teknologi, 10(02), 201–208. https://doi.org/10.53008/kalbiscientia.v10i02.3108
Gunarsih, N. A. (2023). Aplikasi Deteksi Larangan Merokok Di Tempat Larangan Merokok. http://eprints.poltektegal.ac.id/2961/%0Ahttp://eprints.poltektegal.ac.id/2961/1/Skripsi Nurul Arifiah Gunarsih.pdf
Hamzenejadi, M. H., & Mohseni, H. (2023). Fine-tuned YOLOv5 for real-time vehicle detection in UAV imagery: Architectural improvements and performance boost. Expert Systems with Applications, 231, 120845. https://doi.org/10.1016/j.eswa.2023.120845
Horvat, M., Jelecevic, L., & Gledec, G. (2022). A comparative study of YOLOv5 models performance for image localization and classification. Proceedings of the Central European Conference on Information and Intelligent Systems, 349–356. https://github.com/mhorvat/YOLOv5-models-
Hussain, M. (2024). YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision. 1–12. http://arxiv.org/abs/2407.02988
Iskandar Mulyana, D., & Rofik, M. A. (2022). Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5. Jurnal Pendidikan Tambusai, 6(3), 13971–13982. https://doi.org/10.31004/jptam.v6i3.4825
Jiangchen, G., & Zhongliang, Y. (2023). A Comparative Study of YOLOv5 and YOLOv8 for Appearance Defect Detection in Polyester Fiber Yarn Packages. 2023 16th International Symposium on Computational Intelligence and Design (ISCID), 96–99. https://doi.org/10.1109/ISCID59865.2023.00030
Khalfaoui, A., Badri, A., & Mourabit, I. EL. (2022). Comparative study of YOLOv3 and YOLOv5’s performances for real-time person detection. 2022 2nd International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET), 1–5. https://doi.org/10.1109/IRASET52964.2022.9737924
Li, X., Li, X., Han, B., Wang, S., & Chen, K. (2023). Application of EfficientNet and YOLOv5 Model in Submarine Pipeline Inspection and a New Decision-Making System. Water, 15(19), 3386. https://doi.org/10.3390/w15193386
Maria Putu Sugiati Keraf, Alfry Aristo Jansen Sinlae, P. B. (2024). Pemodelan Warna Pada Dataset Baru Citra Bunga Lantana Camara Menggunakan Algoritma Yolov5. 7(1), 108–117.
Mehedi Hasan Real, M., Priya, A. Z., Alomgir Hossain, M., & Ahmed, K. R. (2022). A sustainable competing dynamic - Real-time Bangla license plate detection and recognition system using YOLOv5 and SSD: A deep learning application. Journal of Discrete Mathematical Sciences and Cryptography, 25(7), 2091–2099. https://doi.org/10.1080/09720529.2022.2133248
Ramasari, F., Firdaus, F., Nita, S., & Kartika, K. (2021). Penggunaan Metode You Only Look Once dalam Penentu Pindah Tanaman Cabai Besar Ternotifikasi Telegram. Elektron : Jurnal Ilmiah, 13(November), 45–52. https://doi.org/10.30630/eji.13.2.229
Rapitasari, D., Nurani, J., & Ratnasari, S. (2020). Analisis kebijakan kota surabaya tentang kawasan tanpa rokok pada ruang terbuka publik. Wacana Publik, 13(02). https://doi.org/10.37295/wp.v13i02.37
Siregar, P. A. (2021). Implementasi Peraturan Gubernur Nomor 35 Tahun 2012 Tentang Kawasan Tanpa Rokok: Studi Kasus di Rumah Sakit Umum Haji. Inovasi, 18(2), 251–263. https://doi.org/10.33626/inovasi.v18i2.370
Yan, B., Fan, P., Lei, X., Liu, Z., & Yang, F. (2021). A Real-Time Apple Targets Detection Method for Picking Robot Based on Improved YOLOv5. Remote Sensing, 13(9), 1619. https://doi.org/10.3390/rs13091619
Yar, H., Khan, Z. A., Ullah, F. U. M., Ullah, W., & Baik, S. W. (2023). A modified YOLOv5 architecture for efficient fire detection in smart cities. Expert Systems with Applications, 231, 120465. https://doi.org/10.1016/j.eswa.2023.120465
