PRASETYA, Dwi Azi (2026) Aplikasi Monitoring Keberadaan Barang Berbasis Raspberry Pi Yang Terintegrasi Dengan Kamera Webcam dan Smartphone Android Menggunakan YOLOv8n. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (175kB)
	Text 3. Pernyataan Orisinalitas.pdf Download (526kB)
	Text 4. Halaman Pengesahan Skripsi.pdf Download (790kB)
	Text 6. Kata Pengantar.pdf Download (87kB)
	Text 7. Daftar Isi.pdf Download (101kB)
	Text 9. Abstrak.pdf Download (114kB)
	Text 10. Abstract.pdf Download (124kB)
	Text 11. Bab I.pdf Download (153kB)
	Text 16. Daftar Pustaka.pdf Download (140kB)

Abstract

Perkembangan teknologi visi komputer memungkinkan implementasi sistem
deteksi objek secara real-time pada perangkat komputasi ringan berbasis edge
computing. Penelitian ini bertujuan untuk merancang dan mengimplementasikan
sistem deteksi keberadaan barang menggunakan algoritma You Only Look Once
versi 8 (YOLOv8) yang dioptimalkan pada Raspberry Pi 5 melalui pemanfaatan
format NCNN guna meningkatkan efisiensi dan kecepatan inferensi. Objek yang
dideteksi meliputi barang-barang pribadi yang sering hilang atau berpindah tempat,
seperti botol, kacamata, dompet, dll. Metode penelitian mencakup pengumpulan
dan pelabelan dataset, pelatihan model menggunakan Google Colab, evaluasi
performa model, konversi model ke format NCNN, implementasi sistem video
streaming berbasis Flask yang dipublikasikan melalui Cloudflare Tunnel, serta
integrasi aplikasi Android sebagai media monitoring jarak jauh. Sistem memproses
citra dari kamera secara langsung dan menampilkan hasil deteksi melalui
antarmuka web berbasis MJPEG streaming yang dapat diakses secara real-time.
Pemanfaatan Cloudflare Tunnel dan aplikasi Android memungkinkan proses
pemantauan dilakukan dari jarak jauh tanpa konfigurasi jaringan yang kompleks.
Pengujian dilakukan untuk mengukur akurasi deteksi, kecepatan inferensi, serta
stabilitas streaming. Hasil penelitian menunjukkan bahwa sistem mampu berjalan
secara real-time dengan kecepatan rata-rata 22 FPS pada perangkat Raspberry Pi 5
serta tingkat keberhasilan sistem rata-rata di atas 92% pada keseluruhan aspek
pengujian. Dengan demikian, sistem yang dikembangkan terbukti efektif, ringan,
responsif, dan mudah diimplementasikan sebagai solusi monitoring objek berbasis
edge computing.
Kata Kunci: Deteksi objek, Visi komputer, YOLOv8, NCNN, Raspberry Pi,
Streaming, Android.

Actions (login required)

View Item