DETEKSI TINGKAT KESEGARAN IKAN KONSUMSI MENGGUNAKAN METODE YOU ONLY LOOK ONCE V5 BERDASARKAN CITRA MATA

Alfajri, Feri (2024) DETEKSI TINGKAT KESEGARAN IKAN KONSUMSI MENGGUNAKAN METODE YOU ONLY LOOK ONCE V5 BERDASARKAN CITRA MATA. Diploma thesis, UPN Veteran Yogyakarta.

	Text SKRIPSI FULLTEXT_Feri Alfajri_123190088.pdf Restricted to Repository staff only Download (4MB)
	Text ABSTRAK_Feri Alfajri_123190088.pdf Download (49kB)
	Text COVER_Feri Alfajri_123190088.pdf Download (69kB)
	Text DAFTAR ISI__Feri Alfajri_123190088.pdf Download (117kB)
	Text DAFTAR PUSTAKA__Feri Alfajri_123190088.pdf Download (348kB)
	Text PENGESAHAN PEMBIMBING__Feri Alfajri_123190088.pdf Download (109kB)
	Text PENGESAHAN PENGUJI__Feri Alfajri_123190088.pdf Download (130kB)

Abstract

Deteksi kesegaran ikan merupakan aspek penting dalam memastikan kualitas produk
yang diterima oleh masyarakat. Ciri-ciri kesegaran ikan berdasarkan ciri fisik ikan seperti
bagian sisik, ingsang dan juga mata ikan. Kualitas ikan yang menurun bisa dilihat dari mata
ikan yang cerah, kornea jernih dan pupil hitam. Penelitian sebelumnya melibatkan dua
tahap terpisah: deteksi fitur mata ikan dan klasifikasi tingkat kesegaran menggunakan
algoritma yang berbeda. Metode klasifikasi Convolutional Neural Network (CNN) sering
kali menghadapi keterbatasan dalam validasi input, terutama dalam mengidentifikasi apakah
citra yang dimasukkan adalah gambar ikan atau bukan, terkadang citra yang bukan ikan tetap
terklasifikasi oleh sistem. Terdapat juga cara mengklasifikasi kesegaran ikan dengan 2
metode terpisah yaitu deteksi lalu klasifikasi. Penelitian ini menggunakan model YOLOv5,
sebuah model deep learning yang terkenal karena kecepatan dan akurasinya, untuk
menggabungkan proses deteksi dan klasifikasi dalam satu langkah.
Penelitian ini akan mendeteksi kesegaran ikan berdasarkan citra mata dengan metode
YOLOv5, karena metode ini dapat mendeteksi posisi mata ikan serta mengklasifikasikan
kesegaran ikan dalam satu proses untuk menentukan tingkat kesegaran ikan yaitu segar dan
tidak segar. Metode You Only Look Once (YOLO) merupakan metode pendeteksian objek
yang menggunakan Convolutional Neural Network (CNN) untuk melakukan deteksi dan
klasifikasi dalam satu langkah. YOLO memiliki tiga komponen utama: backbone untuk
ekstraksi fitur, neck untuk menggabungkan fitur dari berbagai tingkat resolusi, dan head
untuk menghasilkan prediksi akhir. Dengan mengintegrasikan proses deteksi dan klasifikasi,
metode ini meningkatkan efisiensi dan akurasi. Penelitian dimulai dengan mencari studi
literatur seperti jurnal, paper, buku dan literatur yang dapat dipercaya terkait topik tentang
kesegaran ikan. Kemudian masuk kepengumpulan data, pembuatan model dan sistem,
pengujian dan penerikan kesimpulan. Dataset yang digunakan dalam penelitian ini adalah
dataset dari website Kaggle dengan jenis ikan makarel dan sarden berjumlah 290.
Hasil penelitian menunjukkan bahwa model yolov5 dengan pelatihan berjumlah 100
epoch yang telah dibuat menunjukkan performa yang baik selama pelatihan mendapatkan
akurasi 0.98, precision 0.96, recall 1, F1-score 0.97, mAP 0.98 dan rata-rata loss 0.00013.
Uji dengan dataset luar yang beragam, model mampu mendapat akurasi sebesar 0.9 dimana
ada 2 kesalahan deteksi pada model. Dalam pengujian data diluar dataset model
mendapatkan akurasi sebesar 0.87.Model dapat berhadapan dengan berbagai variasi citra
seperti gambar yang diputar, gambar tanpa background, dan gambar yang berasal dari luar
dataset. Hal ini menunjukkan kemampuan model dalam menangani variasi dalam citra dan
mencapai akurasi yang memadai dalam mengidentifikasi objek di berbagai kondisi.
Kata Kunci: Kesegaran Ikan, Klasifikasi Citra, YOLOv5

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Kesegaran Ikan, Klasifikasi Citra, YOLOv5
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	17 Jul 2024 03:49
Last Modified:	17 Jul 2024 03:49
URI:	http://eprints.upnyk.ac.id/id/eprint/40266

Actions (login required)

View Item