ABSTRAK Nama : Syafiq Abdillah Umarghanis Program Studi : Sistem Informasi Judul : Klasifikasi Tingkat Kepadatan Gerbong Kereta Rel Listrik Menggunakan Sistem Benam Berbasiskan Pembelajaran Mesin Pembimbing : Fariz Darari, S.Kom, M.Sc., Ph.D. & Ari Wibisono, S.Kom., M.Kom. Meningkatnya jumlah pengguna jasa Kereta Rel Listrik (KRL) Commuter Line tiap tahunnya menimbulkan masalah tidak meratanya tingkat kepadatan gerbong yang mengakibatkan kapasitas gerbong KRL tidak dimanfaatkan secara maksimal. Penelitian ini bertujuan untuk menghasilkan sebuah sistem yang dapat mengklasifikasi tingkat kepadatan gerbong dari kereta yang akan datang dan memberikan informasi tersebut kepada penumpang yang menunggu di stasiun. Dengan adanya prediksi lebih awal mengenai kepadatan gerbong dari kereta yang akan datang, para penumpang yang menunggu di stasiun dapat menyesuaikan diri dengan menunggu di sisi peron yang sesuai, sehingga kepadatan dapat terdistribusi dan kepuasan pengguna dapat meningkat. Terdapat dua pendekatan klasifikasi yang digunakan, yakni Convolutional Neural Network (ConvNet) dan metode gabungan antara object detection menggunakan You Only Look Once (YOLO) dan K-Nearest Neighbours (KNN). Dari kedua pendekatan tersebut, didapatkan lima model yang dibandingkan, yakni MobileNets, VGG16, Vanilla, YOLO+KNN, dan Tiny YOLO+KNN. Selain variasi dari pendekatan klasifikasi, penelitian ini juga memiliki variasi pada perangkat yang dijadikan bahan uji, yaitu Raspberry Pi 3B dan Jetson Nano serta dua tipe sudut pengambilan data, yakni bervariasi dan tidak bervariasi. Dari kombinasi antara model, perangkat, dan sudut pengambilan data, didapatkan 20 skenario yang diuji coba. Dari 20 skenario tersebut, perbandingan dilakukan dengan memperhatikan performa dan nilai bisnis dari masing-masing kombinasi. Dari hasil penelitian, didapatkan enam skenario yang memenuhi kriteria presisi >=80% dan waktu klasifikasi <=3s, yakni MobileNets yang dijalankan pada Raspberry Pi 3B pada data dengan sudut bervariasi dan tidak bervariasi, MobileNets yang dijalankan pada Jetson Nano pada data dengan sudut bervariasi dan tidak bervariasi, dan VGG16 yang dijalankan pada Jetson Nano pada data dengan sudut bervariasi dan tidak bervariasi. Hasil penelitian ini dapat menjadi pertimbangan untuk penerapan dalam skala yang lebih besar, misalnya oleh penyedia jasa KRL. Kata Kunci: Kecerdasan Artifisial, Klasifikasi Gambar, Deteksi Objek, Internet of Things, Sistem Benam