Implementasi YOLOv8n dan MobileNetV2 Untuk Sistem Deteksi Posisi Tidur Bayi Berisiko Sudden Infant Death Syndrome (SIDS) Sebagai Sub-sistem Sistem Deteksi Dini Kondisi Darurat Medis

Rahmadani, Afifah Dwi (2025) Implementasi YOLOv8n dan MobileNetV2 Untuk Sistem Deteksi Posisi Tidur Bayi Berisiko Sudden Infant Death Syndrome (SIDS) Sebagai Sub-sistem Sistem Deteksi Dini Kondisi Darurat Medis. S1 thesis, Universitas Andalas.

[img] Text (01. Cover dan Abstrak)
01. Cover dan Abstrak.pdf - Published Version

Download (354kB)
[img] Text (02. Bab I)
02. Bab I.pdf - Published Version

Download (532kB)
[img] Text (03. Bab V)
03. Bab V.pdf - Published Version

Download (152kB)
[img] Text (04. Daftar Pustaka)
04. Daftar Pustaka.pdf - Published Version

Download (199kB)
[img] Text (05. Skripsi Fulltext)
05. Skripsi Fulltext.pdf
Restricted to Repository staff only

Download (6MB) | Request a copy

Abstract

Sudden Infant Death Syndrome (SIDS) sering dikaitkan dengan posisi tidur berisiko yang dapat menghalangi saluran pernapasan bayi. Penelitian ini merancang sistem deteksi posisi tidur bayi secara real-time menggunakan kombinasi model deep learning YOLOv8n untuk deteksi objek dan MobileNetV2 untuk klasifikasi posisi tidur secara sekuensial. Sistem dibangun pada Raspberry Pi 4B dengan kamera inframerah OV5647, model dioptimasi menggunakan kuantisasi TFLite INT8, serta notifikasi dikirimkan ke ponsel pengguna melalui aplikasi Blynk apabila posisi tidur bayi terdeteksi berisiko (miring atau tengkurap). Hasil pengujian menunjukkan sistem mampu melakukan deteksi pada jarak optimal 56 – 136 cm dan pada berbagai kondisi intensitas cahaya, termasuk kondisi gelap total. Sistem mencapai rata-rata akurasi klasifikasi sebesar 96,6% pada pengujian menggunakan boneka bayi dan 84% pada pengujian langsung terhadap bayi asli, dengan kecepatan inferensi stabil sekitar 2 FPS tanpa mengalami thermal throttling, serta latensi pengiriman notifikasi di bawah 5 detik. Hasil ini membuktikan bahwa sistem yang dikembangkan dapat menjadi solusi pemantauan pasif yang efektif untuk membantu orang tua mendeteksi dini posisi tidur bayi yang berisiko SIDS.

Item Type: Thesis (S1)
Supervisors: Dr. Eng. Tati Erlina, M.I.T
Uncontrolled Keywords: SIDS; posisi tidur bayi; YOLOv8n; MobileNetV2; Raspberry Pi; deep learning; real-time monitoring
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknologi Informasi > S1 Teknik Komputer
Depositing User: S1 Teknik Komputer
Date Deposited: 28 Aug 2026 02:43
Last Modified: 28 Aug 2026 02:43
URI: http://scholar.unand.ac.id/id/eprint/532303

Actions (login required)

View Item View Item