DETEKSI SANTRI DAN NON-SANTRI BERDASARKAN JENIS HIJAB DAN ATRIBUT DENGAN MENGGUNAKAN YOLOV4 DI UNIVERSITAS NURUL JADID BERBASIS WEB FLASK

Ningseh, Dwi Rovita (2024) DETEKSI SANTRI DAN NON-SANTRI BERDASARKAN JENIS HIJAB DAN ATRIBUT DENGAN MENGGUNAKAN YOLOV4 DI UNIVERSITAS NURUL JADID BERBASIS WEB FLASK. Other thesis, UNIVERSITAS NURUL JADID.

Text Skripsi_2021400095_Dwi Rovita Ningseh_IF.pdf Restricted to Registered users only Download (4MB)

Abstract

Ningseh, Dwi Rovita. 2024. Deteksi Santri dan Non-santri Berdasarkan Jenis Hijab dan Atribut dengan Menggunakan Metode YOLOv4 di Universitas Nurul Jadid Berbasis Web Flask. Skripsi, Prodi Informatika, Fakultas Teknik, Universitas Nurul Jadid Paiton Probolinggo. Pembimbing: (I) Fathur Rizal, M.Kom., (II) Zainal Arifin, M.Kom.

Kata Kunci: Atribut, Deteksi Objek, Santri, YOLOv4, Flask.

Universitas Nurul Jadid, sebagai lembaga pendidikan di bawah naungan Pondok Pesantren Nurul Jadid, menerapkan regulasi ketat mengenai standarisasi hijab dan atribut pakaian bagi santri putri. Namun, proses pemantauan kedisiplinan tersebut menghadapi tantangan akibat keterbatasan jumlah personel keamanan. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi akurasi model You Only Look Once versi 4 (YOLOv4) dalam mendeteksi kategori santri dan non-santri secara otomatis. YOLOv4 dipilih karena keunggulannya dalam mendeteksi objek kecil atau tumpang tindih dibandingkan metode terdahulu melalui teknik Bag-of-Freebies (BoF) dan Bag-of-Specials (BoS). Dataset yang digunakan mencakup 877 gambar beresolusi tinggi yang bersumber dari pengamatan langsung dan referensi penelitian sebelumnya. Hasil pengujian menunjukkan bahwa konfigurasi max_batches 2000 dengan pembagian data 80%:20% memberikan performa optimal, menghasilkan mean Average Precision (mAP) sebesar 98% dan akurasi model 91,8%. Secara spesifik, deteksi kategori santri mencapai precision 96% dan recall 100%, sementara kategori non-santri mencapai precision 100% dan recall 96%. Model ini kemudian diintegrasikan ke dalam web framework Flask untuk memfasilitasi proses deteksi yang efisien. Hasil penelitian ini membuktikan bahwa YOLOv4 sangat efektif dalam mengenali atribut khas santri, sehingga dapat menjadi solusi digital bagi sistem keamanan di lingkungan Universitas Nurul Jadid.

Item Type:	Thesis (Other)
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Saiful Ghazi
Date Deposited:	28 Apr 2026 04:18
Last Modified:	28 Apr 2026 04:18
URI:	https://repository.unuja.ac.id/id/eprint/3179

Actions (login required)

View Item