OPTIMALISASI SISTEM PENGAWASAN RUMAH BERBASIS YOLO V8 & IOT

Wijaya, Sandi (2025) OPTIMALISASI SISTEM PENGAWASAN RUMAH BERBASIS YOLO V8 & IOT. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (Cover) COVER.pdf - Published Version Download (487kB)
	Text (Abstrak) ABSTRAK.pdf - Published Version Download (167kB)
	Text (BAB I Pendahuluan) BAB I.pdf - Published Version Restricted to Repository staff only Download (143kB) | Request a copy
	Text (BAB II Tinjauan Pustaka) BAB II.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB III Metodologi Penelitian) BAB III.pdf - Published Version Restricted to Repository staff only Download (713kB) | Request a copy
	Text (BAB IV Hasil dan Pembahasan) BAB IV.pdf - Published Version Restricted to Repository staff only Download (693kB) | Request a copy
	Text (BAB V Penutup) BAB V.pdf - Published Version Restricted to Repository staff only Download (131kB) | Request a copy
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (138kB) | Request a copy
	Text (Lampiran) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (985kB) | Request a copy

Abstract

Tingkat kejahatan seperti pencurian di lingkungan rumah masih menjadi permasalahan serius yang memerlukan sistem keamanan yang lebih cerdas dan responsif. Tugas Akhir ini bertujuan untuk merancang serta menerapkan sistem pengawasan rumah berbasis Deep Learning dan Internet of Things (IoT). Sistem dikendalikan oleh Raspberry Pi 4 sebagai unit pemroses utama, dilengkapi dengan kamera webcam untuk pengambilan gambar, sensor magnetik pada pintu sebagai pendeteksi gangguan, dan buzzer sebagai alarm peringatan. Teknologi You Only Look Once versi 8 (YOLOv8) digunakan untuk dua fungsi utama, yakni mendeteksi keberadaan orang (model YOLOv8n) dan mengenali identitas wajah (model YOLOv8s-face). Model ini dilatih menggunakan dataset buatan sendiri dan dievaluasi menggunakan metrik performa standar. Hasil pengujian menunjukkan bahwa model deteksi orang mencapai nilai mean Average Precision (mAP50) sebesar 0,514 dengan recall sebesar 0,756, sementara sistem pengenalan wajah berhasil mencapai akurasi 97%. Tingkat kesalahan dalam mengenali orang yang tidak dikenal (FAR) tercatat sebesar 2%, dan kesalahan menolak orang yang dikenal (FRR) sebesar 4%. Sistem mampu mengirimkan notifikasi ke pengguna melalui Telegram dengan waktu rata-rata 3,7 detik, serta mengaktifkan alarm lokal dalam 1,5 detik. Berdasarkan hasil tersebut, sistem ini terbukti efektif sebagai solusi keamanan rumah yang modern, otomatis, dan mampu melakukan pemantauan jarak jauh secara real-time.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	YOLOv8, Internet of Things (IoT), Pengenalan Wajah, Raspberry Pi, Telegram Bot, Deep Learning
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	24 Sep 2026 07:20
Last Modified:	24 Sep 2026 07:20
URI:	http://eprints.polsri.ac.id/id/eprint/27241

Actions (login required)

View Item