Penerapan Metode YOLOv5 untuk Klasifikasi dan Deteksi Objek Menggunakan Video Non-Real-Time

Yovi Apridiansyah; Zeko Padli; Yuza Reswan; Harry Witriyono

doi:10.33998/processor.2025.20.2.2508

Authors

Yovi Apridiansyah Universitas Muhammadiyah Bengkulu
Zeko Padli Universitas Muhammadiyah Bengkulu
Yuza Reswan Universitas Muhammadiyah Bengkulu
Harry Witriyono Universitas Muhammadiyah Bengkulu

DOI:

https://doi.org/10.33998/processor.2025.20.2.2508

Keywords:

Kata kunci: YOLOv5, deteksi objek, Kalman Filter, SORT, Simpang Tugu Pena, computer vision.

Abstract

Deteksi objek merupakan salah satu penerapan utama dari teknologi computer vision dalam bidang kecerdasan buatan. Salah satu algoritma deteksi objek yang banyak digunakan karena efisiensinya adalah YOLOv5. Penelitian ini bertujuan untuk menerapkan metode YOLOv5 dalam mendeteksi dan mengklasifikasikan objek kendaraan dan manusia pada rekaman video non-real-time di kawasan Simpang Tugu Pena Kota Bengkulu. Dataset yang digunakan merupakan video hasil dokumentasi lapangan, yang kemudian dianalisis menggunakan model YOLOv5 dengan pelatihan berbasis transfer learning. Untuk menjaga identitas objek antar-frame, sistem dikombinasikan dengan metode Kalman Filter dan SORT sebagai pelacak objek. Hasil pengujian menunjukkan bahwa model yang dibangun mampu melakukan deteksi objek dengan baik pada kondisi visual yang bervariasi, serta mencapai nilai akurasi yang tinggi berdasarkan pengukuran menggunakan matriks konfusi. Penelitian ini menunjukkan bahwa penerapan YOLOv5 efektif digunakan dalam sistem dokumentasi visual berbasis AI di lingkungan ruang publik yang dinamis.

Downloads

Download data is not yet available.

References

A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” 2020.

M. A. M. Alhassan and E. Yılmaz, “Evaluating YOLOv4 and YOLOv5 for Enhanced Object Detection in UAV-Based Surveillance,” Processes, vol. 13, no. 1, 2025, doi: 10.3390/pr13010254.

R. Rahman, Z. Bin Azad, and M. Bakhtiar Hasan, “Densely-Populated Traffic Detection Using YOLOv5 and Non-maximum Suppression Ensembling,” Lect. Notes Data Eng. Commun. Technol., vol. 95, pp. 567–578, 2022, doi: 10.1007/978-981-16-6636-0_43.

A. Simeth, A. A. Kumar, and P. Plapper, “Flexible and robust detection for assembly automation with YOLOv5: a case study on HMLV manufacturing line,” J. Intell. Manuf., vol. 36, no. 5, pp. 3447–3463, 2024, doi: 10.1007/s10845-024-02411-5.

M. Ismu Rahayu, “KLASIFIKASI RAS KUCING MENGGUNAKAN METADATA DATASET KAGGLE DENGAN FRAMEWORK YOLO v5,” J. Teknol. Inf. dan Komun., vol. 12, no. 1, pp. 14–18, 2023, doi: 10.58761/jurtikstmikbandung.v12i1.179.

M. Soeleman, D. Raniasti, K. W, M. Muljono, M. Muslih, and R. Pramunendar, “Tracking Moving Objects based on Background Subtraction using Kalman Filter,” pp. 1–8, 2021, doi: 10.4108/eai.24-10-2018.2280505.

A. Bewley, Z. Ge, L. Ott, F. Ramos, and B. Upcroft, “Simple online and realtime tracking,” Proc. - Int. Conf. Image Process. ICIP, vol. 2020-Augus, pp. 3464–3468, 2020, doi: 10.1109/ICIP.2016.7533003.

S. Lu, X. Liu, Z. He, X. Zhang, W. Liu, and M. Karkee, “Swin-Transformer-YOLOv5 for Real-Time Wine Grape Bunch Detection,” Remote Sens., vol. 14, no. 22, pp. 0–2, 2022, doi: 10.3390/rs14225853.

D. I. Mulyana, M. F. Lazuardi, and M. B. Yel, “Deteksi Bahasa Isyarat Dalam Pengenalan Huruf Hijaiyah Dengan Metode YOLOV5,” J. Tek. Elektro dan Komputasi, vol. 4, no. 2, pp. 145–151, 2022.

H. Zhang, F. Shao, X. He, Z. Zhang, Y. Cai, and S. Bi, “Research on Object Detection and Recognition Method for UAV Aerial Images Based on Improved YOLOv5,” Drones, vol. 7, no. 6, 2023, doi: 10.3390/drones7060402.

M. H. Ashar and D. Suarna, “KLIK: Kajian Ilmiah Informatika dan Komputer Implementasi Algoritma YOLOv5 dalam Mendeteksi Penggunaan Masker Pada Kantor Biro Umum Gubernur Sulawesi Barat,” Media Online, vol. 3, no. 3, pp. 298–302, 2022.

J. Terven, D. M. Córdova-Esparza, and J. A. Romero-González, “A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS,” Mach. Learn. Knowl. Extr., vol. 5, no. 4, pp. 1680–1716, 2023, doi: 10.3390/make5040083.

Yashaswini and Dr. Manimala, “Classification and Detections using Yolov5,” Int. J. Multidiscip. Res., vol. 5, no. 5, pp. 1–3, 2023, doi: 10.36948/ijfmr.2023.v05i05.6057.

X. Zhu, S. Lyu, X. Wang, and Q. Zhao, “TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios,” Proc. IEEE Int. Conf. Comput. Vis., vol. 2021-Octob, pp. 2778–2788, 2021, doi: 10.1109/ICCVW54120.2021.00312.

M. Hussain, “YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision,” pp. 1–12, 2024.

Z. Gao and X. Wang, “Deep learning,” EEG Signal Process. Featur. Extr., pp. 325–333, 2019, doi: 10.1007/978-981-13-9113-2_16.

D. M. W. Powers, “Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation,” no. January 2007, 2020, [Online]. Available: http://arxiv.org/abs/2010.16061

C. Robert, “Machine Learning, a Probabilistic Perspective ,” Chance, vol. 27, no. 2, pp. 62–63, 2014, doi: 10.1080/09332480.2014.914768.

S. Sathyanarayanan, “Confusion Matrix-Based Performance Evaluation Metrics,” African J. Biomed. Res., vol. 27, no. 4, pp. 4023–4031, 2024, doi: 10.53555/ajbr.v27i4s.4345.

“005ConfusionMatrixandPerformanceEvaluationMetrics.”

A. Farhan AlShammari, “Implementation of Model Evaluation using Confusion Matrix in Python,” Int. J. Comput. Appl., vol. 186, no. 50, pp. 975–8887, 2024.