Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Deteksi Helm Pada Pengendara Sepeda Motor Menggunakan YOLO Berbasis Deep Learning
Deteksi Helm Pada Pengendara Sepeda Motor Menggunakan YOLO Berbasis Deep Learning
Deep Learning Tingkat: Intermediate Versi 1.0.0 30 Dilihat
5.0 (0 ulasan)

Deteksi Helm Pada Pengendara Sepeda Motor Menggunakan YOLO Berbasis Deep Learning

Teknologi: YOLO Ultralytics Flask TensorFlow OpenCV HTML CSS JavaScript NumPy
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Deteksi Helm Pada Pengendara Sepeda Motor Menggunakan YOLO Berbasis Deep Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Deteksi Helm Pada Pengendara Sepeda Motor Menggunakan YOLO Berbasis Deep Learning via TikTok.

Overview & Cara Kerja

🎯 Latar Belakang Masalah

Kecelakaan lalu lintas yang melibatkan pengendara sepeda motor menyumbang lebih dari 70% dari total angka kecelakaan transportasi darat di negara-negara berkembang. Cedera kepala traumatis (Traumatic Brain Injury / TBI) merupakan penyebab utama kematian dan disabilitas permanen pada korban kecelakaan roda dua. Penggunaan helm berstandar keselamatan (SNI/DOT) terbukti secara medis mampu mereduksi risiko kematian akibat cedera kepala hingga 42% dan menurunkan keparahan luka hingga 69%.

Meskipun kewajiban penggunaan helm telah diatur secara tegas dalam undang-undang lalu lintas, tingkat pelanggaran di jalan raya masih sangat tinggi, terutama pada kawasan pemukiman, jalan arteri sekunder, dan area tanpa penjagaan polisi. Pengawasan manual oleh aparat kepolisian memiliki kelemahan mendasar:

  1. Cakupan Pengawasan Terbatas: Personel kepolisian tidak mungkin ditempatkan di setiap persimpangan jalan secara terus-menerus selama 24 jam.
  2. Keterbatasan Penglihatan Manusia: Pada arus lalu lintas padat dengan kecepatan tinggi, mata manusia sulit mengidentifikasi dan mencatat pelanggar helm secara serempak.
  3. Risiko Keselamatan Petugas: Razia manual di jalan raya kerap memicu manuver berbahaya pengendara yang mencoba melarikan diri dari petugas, berisiko mencelakai petugas maupun pengguna jalan lain.

Oleh karena itu, diperlukan sistem otomasi pengawasan lalu lintas cerdas (Intelligent Transportation System / ITS) berbasis Computer Vision dan Deep Learning yang mampu memantau kepatuhan helm secara otomatis dari tangkapan kamera jalan raya, mendeteksi pelanggaran secara instan, dan mendukung implementasi tilang elektronik (Electronic Traffic Law Enforcement / ETLE).

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

5 Tahap Pipeline
1 Input

Input Data / Citra

Pengguna mengunggah dataset atau payload request melalui antarmuka.

Multipart Payload
2 API Layer

API Preprocessing

Validasi struktur data, resize resolusi, dan normalisasi tensor input.

RESTful Controller
3 Inference

Core Engine Model

Eksekusi komputasi bobot terlatih untuk ekstraksi fitur dan prediksi.

Neural Network Model
4 Post-Process

Evaluasi & Filter

Filter threshold probabilitas, decoding koordinat, dan klasifikasi label.

Confidence Scores
5 Output

Visual Response

Pengembalian respons JSON terstruktur serta visualisasi canvas antarmuka.

JSON & Visual Canvas
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

96 Berkas Proyek 3 Folder Utama
best.pt 5.2 MB
AI Model Pratinjau
last.pt 5.2 MB
AI Model Pratinjau
args.yaml 1.69 KB
BoxF1_curve.png 184.91 KB
BoxP_curve.png 148.67 KB
BoxPR_curve.png 138.01 KB
BoxR_curve.png 169.36 KB
confusion_matrix.png 131.7 KB
confusion_matrix_normalized.png 140.25 KB
labels.jpg 172.88 KB
results.csv 6.27 KB
Dataset Pratinjau
results.png 278.41 KB
train_batch0.jpg 667.13 KB
train_batch1.jpg 718.06 KB
train_batch2.jpg 687.24 KB
train_batch3480.jpg 575.61 KB
train_batch3481.jpg 583.08 KB
train_batch3482.jpg 583.47 KB
val_batch0_labels.jpg 730 KB
val_batch0_pred.jpg 748.74 KB
val_batch1_labels.jpg 748.74 KB
val_batch1_pred.jpg 765.77 KB
val_batch2_labels.jpg 753.31 KB
val_batch2_pred.jpg 772.2 KB
BoxF1_curve.png 185.34 KB
BoxP_curve.png 147.98 KB
BoxPR_curve.png 138.42 KB
BoxR_curve.png 169.43 KB
confusion_matrix.png 133.9 KB
confusion_matrix_normalized.png 139.51 KB
val_batch0_labels.jpg 728.9 KB
val_batch0_pred.jpg 747.6 KB
val_batch1_labels.jpg 779.45 KB
val_batch1_pred.jpg 789.14 KB
val_batch2_labels.jpg 747.69 KB
val_batch2_pred.jpg 764.73 KB
BoxF1_curve.png 187.27 KB
BoxP_curve.png 138.84 KB
BoxPR_curve.png 132.42 KB
BoxR_curve.png 174.29 KB
confusion_matrix.png 153.09 KB
confusion_matrix_normalized.png 136.12 KB
val_batch0_labels.jpg 679.4 KB
val_batch0_pred.jpg 704.33 KB
val_batch1_labels.jpg 770.04 KB
val_batch1_pred.jpg 785.87 KB
val_batch2_labels.jpg 732.58 KB
val_batch2_pred.jpg 751.9 KB
BoxF1_curve.png 185.34 KB
BoxP_curve.png 147.98 KB
BoxPR_curve.png 138.42 KB
BoxR_curve.png 169.43 KB
confusion_matrix.png 133.9 KB
confusion_matrix_normalized.png 139.51 KB
val_batch0_labels.jpg 728.9 KB
val_batch0_pred.jpg 747.6 KB
val_batch1_labels.jpg 779.45 KB
val_batch1_pred.jpg 789.14 KB
val_batch2_labels.jpg 747.69 KB
val_batch2_pred.jpg 764.73 KB
BoxF1_curve.png 181.5 KB
BoxP_curve.png 144.75 KB
BoxPR_curve.png 133.8 KB
BoxR_curve.png 170.08 KB
confusion_matrix.png 135.76 KB
confusion_matrix_normalized.png 136.18 KB
val_batch0_labels.jpg 729.48 KB
val_batch0_pred.jpg 753.41 KB
val_batch1_labels.jpg 726.02 KB
val_batch1_pred.jpg 748.83 KB
val_batch2_labels.jpg 732.78 KB
val_batch2_pred.jpg 747.63 KB
sample1.jpg 58.31 KB
sample2.jpg 42.88 KB
sample3.jpg 47.56 KB
sample4.jpg 67.92 KB
confusion_matrix.png 140.25 KB
hero_preview.jpg 748.74 KB
results_metrics.png 278.41 KB
val_batch1.jpg 765.77 KB
result_1792719732_dc4abcc0.jpg 119.73 KB
result_1792719747_a644828f.jpg 97.68 KB
result_1792719754_b7f98e6a.jpg 97.01 KB
result_1792719758_2f0a4392.jpg 146.19 KB
result_1792720491_5cc4ad8c.jpg 119.73 KB
result_1792720501_66a128e5.jpg 97.68 KB
result_1792720506_45d14536.jpg 97.01 KB
result_1792720511_e8706512.jpg 146.19 KB
index.html 79.27 KB
app.py 13.18 KB
helmet-detection-yolo.ipynb 100.2 KB
Notebook Pratinjau
link full project.txt 82 B
README.dataset.txt 147 B
README.md 4.46 KB
markdown Pratinjau
README.roboflow.txt 1001 B
requirements.txt 632 B

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS, Linux

Cross-platform compatible

Runtime & Bahasa
YOLO / Ultralytics

Lingkungan kerja teruji

Memori (RAM)
Min. 4GB (Rekomendasi 8GB)

Optimal untuk running service

Penyimpanan
Min. 1GB Free Disk Space

Untuk berkas & dependensi

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 30 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: YOLO, Ultralytics, Flask, TensorFlow
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.