RANCANG BANGUN SISTEM PEMANTAUAN CUACA REAL-TIME BERBASIS RASPBERRY PI 5 DENGAN INTEGRASI MODEL MOBILENETV2, CUSTOM CNN, DAN YOLOV5 UNTUK KLASIFIKASI AWAN, CUACA, DAN ESTIMASI VISIBILITY BERBASIS CITRA KAMERA TERINTEGRASI WEBSITE

Made, Jaya Setiawan (2025) RANCANG BANGUN SISTEM PEMANTAUAN CUACA REAL-TIME BERBASIS RASPBERRY PI 5 DENGAN INTEGRASI MODEL MOBILENETV2, CUSTOM CNN, DAN YOLOV5 UNTUK KLASIFIKASI AWAN, CUACA, DAN ESTIMASI VISIBILITY BERBASIS CITRA KAMERA TERINTEGRASI WEBSITE. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK - Made Jaya.pdf Download (298Kb) | Preview
	File PDF SKRIPSI FULL - Made Jaya.pdf Restricted to Hanya staf Download (8Mb) | Minta salinan
Preview	File PDF SKRIPSI FULL TANPA BAB PEMBAHASAN - Made Jaya.pdf Download (3251Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Penelitian ini bertujuan untuk merancang dan membangun sistem pemantauan cuaca real-time berbasis Raspberry Pi 5 dengan integrasi model MobileNetV2, Custom CNN, dan YOLOv5. Sistem ini memanfaatkan citra yang ditangkap oleh kamera untuk secara otomatis mengklasifikasikan jenis awan, kondisi cuaca, serta mengestimasi visibility. Seluruh hasil klasifikasi dan estimasi ditampilkan melalui antarmuka website yang terhubung ke jaringan lokal, sehingga memudahkan pengguna dalam mengakses dan memantau informasi cuaca secara langsung dari berbagai perangkat. Estimasi visibility dilakukan dengan menggabungkan metode deteksi objek berbasis YOLOv5 dan pendekatan Laplacian Variance, yang menganalisis kontras warna, ketajaman detail, serta tingkat keburaman citra. Hasil pengujian menunjukkan bahwa akurasi deteksi objek menggunakan model YOLOv5 dalam mendukung estimasi visibility mencapai 95% bila dibandingkan dengan data acuan dari BMKG. Untuk klasifikasi cuaca, model Custom CNN yang dikembangkan mampu mencapai akurasi sebesar 70%, menandakan efektivitasnya dalam mengenali kondisi cuaca berbasis citra secara real-time. Sementara itu, model MobileNetV2 yang digunakan untuk klasifikasi awan hanya memperoleh akurasi sebesar 10%, yang diduga disebabkan oleh ketidaksesuaian antara data pelatihan dan kondisi awan di lapangan. Meski demikian, MobileNetV2 tetap digunakan karena efisiensi komputasinya yang sesuai untuk perangkat IoT seperti Raspberry Pi. Dengan integrasi antara sistem pemrosesan citra dan antarmuka website lokal yang informatif, sistem ini mampu memberikan solusi pemantauan cuaca mandiri yang efisien, cepat, dan mudah diakses oleh pengguna dalam lingkungan jaringan terbatas. Kata kunci: Raspberry Pi 5, MobileNetV2, Custom CNN, YOLOv5. This study aims to design and develop a real-time weather monitoring system based on the Raspberry Pi 5, integrating MobileNetV2, a Custom CNN, and YOLOv5 models. The system utilizes images captured by a camera to automatically classify cloud types, weather conditions, and estimate visibility. All classification and estimation results are displayed through a web-based interface connected to a local network, enabling users to conveniently access and monitor weather information directly from various devices. Visibility estimation is performed by combining object detection using YOLOv5 and the Laplacian Variance approach, which analyzes color contrast, detail sharpness, and image blurriness. Experimental results show that the object detection model YOLOv5 achieved an accuracy of 95% in supporting visibility estimation when compared with reference data from BMKG (Indonesian Meteorological Agency). For weather classification, the developed Custom CNN model reached an accuracy of 70%, indicating its effectiveness in recognizing weather conditions from images in real-time. Meanwhile, the MobileNetV2 model used for cloud classification achieved only 10% accuracy, presumably due to a mismatch between the training dataset and actual cloud conditions in the field. Nevertheless, MobileNetV2 is still employed due to its computational efficiency, which suits implementation on IoT devices such as the Raspberry Pi. With the integration of image processing and an informative local web interface, this system offers an efficient, fast, and accessible standalone weather monitoring solution for environments with limited network connectivity. Keywords: Raspberry Pi 5, MobileNetV2, Custom CNN, YOLOv5.

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika > 530 Fisika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Fisika
Pengguna Deposit:	UPT . Siswanti
Date Deposited:	10 Nov 2025 03:16
Terakhir diubah:	10 Nov 2025 03:16
URI:	http://digilib.unila.ac.id/id/eprint/92897

Actions (login required)

Lihat Karya Akhir