Electronic Theses and Dissertation

Tantangan utama dalam konteks pengembangan teknologi deteksi objek adalah ketergantungan yang signifikan pada dataset berlabel dalam jumlah besar. Data tersebut memerlukan waktu dan memori yang cukup besar untuk melakukan anotasi manual, terutama pada lingkungan Mixed Traffic. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengintegrasikan teknik pembelajaran semi-supervised, FixMatch, ke dalam model deteksi objek YOLOv7. Teknik ini dapat mendeteksi objek tanpa label dengan baik melalui metode augmentasi kuat dan augmentasi lemah. Dalam penelitian ini objek yang dideteksi pada lingkungan mixed traffic yaitu angkutan umum, becak, mobil, motor, dan truk. Penelitian ini berhasil meningkatkan akurasi deteksi kendaraan hingga 97.8% dengan memanfaatkan data tanpa label, yang menunjukkan bahwa model ini efektif dan efisien dalam mendeteksi kendaraan di berbagai kondisi lingkungan lalu lintas. Hasil ini menunjukkan bahwa model cukup andal untuk digunakan dalam mendeteksi kendaraan di lingkungan lalu lintas yang padat.

A major challenge in the context of object detection technology development is the significant reliance on large numbers of labeled datasets. This data requires considerable time and memory to perform manual annotations, especially in a mixed traffic environment. This study aims to overcome this problem by integrating the semi-supervised learning technique, FixMatch, into the YOLOv7 object detection model. This technique can detect unlabeled objects well through strong augmentation and weak augmentation methods. In this study, the objects detected in the mixed traffic environment are public transportation, pedicabs, cars, motorcycles, and trucks. This study succeeded in improving vehicle detection accuracy by up to 98.3% by utilizing unlabeled data, which shows that this model is effective and efficient in detecting vehicles in various traffic environment conditions. Thus, the integration of the FixMatch method in YOLOv7 offers a more practical and efficient solution for object detection in situations where labeled data collection is difficult.