ANALISIS KOMPARATIF MODEL MACHINE LEARNING UNTUK DETEKSI RUANG KELAS MENGGUNAKAN ESP32-CAM DAN INFERENSI TERPUSAT BERBASIS SERVER

Ahmad Arya Dwi Febriansyah, 3012210005 (2026) ANALISIS KOMPARATIF MODEL MACHINE LEARNING UNTUK DETEKSI RUANG KELAS MENGGUNAKAN ESP32-CAM DAN INFERENSI TERPUSAT BERBASIS SERVER. Undergraduate thesis, Universitas Internasional Semen Indonesia.

	Text (COVER) 0. COVER.pdf Download (193kB)
	Text (HALAMAN JUDUL) 1. HALAMAN JUDUL.pdf Download (97kB)
	Text (HALAMAN PENGESAHAN) 2. HALAMAN PENGESAHAN.pdf Restricted to Repository staff only Download (487kB) | Request a copy
	Text (HALAMAN PERSETUJUAN PUBLIKASI) 3. HALAMAN PERSETUJUAN PUBLIKASI.pdf Restricted to Repository staff only Download (359kB) | Request a copy
	Text (HALAMAN PERNYATAAN ORISINALITAS) 4. HALAMAN PERNYATAAN ORISINALITAS.pdf Restricted to Repository staff only Download (310kB) | Request a copy
	Text (HALAMAN HASIL FINAL DETEKSI PLAGIASI) 5. HALAMAN HASIL FINAL DETEKSI PLAGIASI.pdf Restricted to Repository staff only Download (698kB) | Request a copy
	Text (ABSTRAK) 6. ABSTRAK.pdf Download (336kB)
	Text (KATA PENGANTAR) 7. KATA PENGANTAR.pdf Restricted to Repository staff only Download (308kB) | Request a copy
	Text (DAFTAR ISI) 8. DAFTAR ISI.pdf Download (456kB)
	Text (DAFTAR GAMBAR) 9. DAFTAR GAMBAR.pdf Restricted to Repository staff only Download (381kB) | Request a copy
	Text (DAFTAR TABEL) 10. DAFTAR TABEL.pdf Restricted to Repository staff only Download (373kB) | Request a copy
	Text (BAB I PENDAHULUAN) 11. BAB I PENDAHULUAN.pdf Download (388kB)
	Text (BAB II KAJIAN PUSTAKA) 12. BAB II KAJIAN PUSTAKA.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) 13. BAB III METODOLOGI PENELITIAN.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) 14. BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V PENUTUP) 15. BAB V PENUTUP.pdf Restricted to Registered users only Download (350kB) | Request a copy
	Text (DAFTAR PUSTAKA) 16. DAFTAR PUSTAKA.pdf Download (353kB)
	Text (LAMPIRAN) 17. LAMPIRAN.pdf Restricted to Repository staff only Download (958kB) | Request a copy
	Text (FULL TEXT) 18. SKRIPSI - AHMAD ARYA DWI FEBRIANSYAH (3012210005).pdf Restricted to Repository staff only Download (6MB) | Request a copy
	Text (FULL TEXT DOC) 19. SKRIPSI - AHMAD ARYA DWI FEBRIANSYAH (3012210005).docx Restricted to Repository staff only Download (16MB) | Request a copy
	Text (POSTER) 20. POSTER - AHMAD ARYA DWI FEBRIANSYAH (3012210005).pdf Download (229kB)

Abstract

Pemantauan okupansi ruang kelas diperlukan untuk mendukung pengelolaan ruang yang efektif dan efisien. Penelitian ini bertujuan membandingkan performa SSD MobileNet V2, YOLOv8n, dan Faster R-CNN ResNet-50 FPN dalam deteksi dan penghitungan jumlah penghuni (occupancy counting) berbasis ESP32-CAM menggunakan pendekatan server-based inference. Dataset diperoleh dari dua unit ESP32-CAM yang ditempatkan di bagian depan dan belakang ruang kelas, dengan total 6.086 citra yang dianotasi secara manual sebagai ground truth. Ketiga model menggunakan bobot pretrained tanpa fine-tuning. Evaluasi dilakukan pada konfigurasi single-camera dan multi-camera, serta skenario variasi jumlah objek, jarak pengambilan citra, dan kondisi pencahayaan. Performa model diukur menggunakan precision, recall, F1-score, Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan waktu total evaluasi. Hasil pengujian menunjukkan bahwa YOLOv8n memberikan performa paling seimbang pada kamera depan, dengan F1-score 0,7955, MAE 0,5531, RMSE 1,5075, dan waktu evaluasi 89 detik untuk 3.043 citra. Pada kamera belakang, YOLOv8n memperoleh F1-score 0,7532, MAE 0,6336, dan RMSE 1,6392 dengan waktu evaluasi 109 detik. SSD MobileNet V2 menunjukkan waktu evaluasi yang lebih singkat pada beberapa skenario, yaitu 7 detik pada skenario single object dan 4 detik pada jarak 7 m, meskipun performa deteksi dan penghitungan secara umum lebih rendah dibandingkan YOLOv8n. Sementara itu, Faster R-CNN menunjukkan precision tertinggi pada kamera depan, yaitu 0,9000, tetapi membutuhkan waktu evaluasi lebih lama. Pengujian juga menunjukkan bahwa kepadatan objek dan pencahayaan gelap menjadi tantangan dalam deteksi dan penghitungan penghuni. Secara keseluruhan, YOLOv8n merupakan model yang paling konsisten berdasarkan keseimbangan performa deteksi dan kesalahan penghitungan, sedangkan SSD MobileNet V2 menjadi alternatif dengan waktu evaluasi lebih singkat pada sejumlah kondisi pengujian.

Item Type:	Thesis (Undergraduate)
Additional Information:	Softfile/KK.26/UISI-01/IF
Uncontrolled Keywords:	Deep Learning, ESP32-CAM, Inferensi Berbasis Server, Okupansi Deteksi, Okupansi Ruang Kelas
Contributors:	Contribution Name Email Thesis advisor Yohanes Indra Riskajaya, S.Kom., M.Kom. yohanes.riskajaya@uisi.ac.id
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T201 Patents. Trademarks T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Department of Informatics
Depositing User:	Ahmad Arya Dwi Febriansyah
Date Deposited:	27 Oct 2026 14:41
Last Modified:	27 Oct 2026 14:41
URI:	https://repository.uisi.ac.id/id/eprint/9415

Actions (login required)

View Item