SISTEM PENDETEKSI PELANGGARAN ETIKA MAHASISWA DI RUANG KELAS MENGGUNAKAN YOU ONLY LOOK ONCE (YOLO)

Sepulau, Ifroh Intan (2025) SISTEM PENDETEKSI PELANGGARAN ETIKA MAHASISWA DI RUANG KELAS MENGGUNAKAN YOU ONLY LOOK ONCE (YOLO). Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (Cover) File Halaman Depan.pdf - Published Version Download (522kB)
Preview	Text (Abstrak) ABSTRAK TA.pdf - Published Version Download (198kB) | Preview
	Text (BAB I) BAB I Pendahuluan.pdf - Published Version Restricted to Repository staff only Download (217kB) | Request a copy
	Text (BAB II) BAB II Tinjauan Pustaka.pdf - Published Version Restricted to Repository staff only Download (616kB) | Request a copy
	Text (BAB III) BAB III Metodologi Penelitian.pdf - Published Version Restricted to Repository staff only Download (868kB) | Request a copy
	Text (BAB IV) BAB IV Hasil dan Pembahasan.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V) BAB V Simpulan dan Saran.pdf - Published Version Restricted to Repository staff only Download (161kB) | Request a copy
	Text (LAMPIRAN) File LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Perilaku makan dan minum oleh mahasiswa di ruang kelas merupakan pelanggaran etika ketika menggunakan dan memakai ruangan kelas, peraturan ini tertulis dalam tata tertib aturan yang dapat mengganggu kenyamanan, kebersihan, serta konsentrasi dalam proses belajar mengajar. Seiring perkembangan teknologi, khususnya pada bidang Machine Learning deteksi perilaku semacam ini kini dapat diotomatisasi. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pendeteksi pelanggaran etika mahasiswa, khususnya aktivitas makan dan minum, menggunakan algoritma deteksi objek You Only Look Once (YOLO), khususnya versi YOLOv8. Tahapan penelitian meliputi pengumpulan dataset berupa gambar dan video yang menggambarkan kondisi normal dan pelanggaran, anotasi data menggunakan Roboflow, serta pelatihan model menggunakan platform Google Colaboratory. Setelah pelatihan selesai, model diimplementasikan ke dalam perangkat Raspberry Pi untuk digunakan secara langsung dalam lingkungan kelas. Hasil pengujian menunjukkan bahwa sistem mampu mengenali perilaku normal dan pelanggaran (makan dam minum) dengan cukup akurat yaitu dengan akurasi keseluruhan mencapai 96,4%. Sistem juga mampu memberikan output berupa suara peringatan melalui speaker ketika pelanggaran terdeteksi.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	YOLOv8, Raspberry Pi, Pelanggaran Mahasiswa, Computer Vision
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	12 Aug 2025 09:39
Last Modified:	12 Aug 2025 09:39
URI:	http://eprints.polsri.ac.id/id/eprint/18039

Actions (login required)

View Item