DETEKSI DAN KLASIFIKASI KUALITAS BUAH JERUK MENGGUNAKAN ALGORITMA YOU ONLY LOOK ONCE V5

Wardana, Dhiemas Ady Kusuma (2024) DETEKSI DAN KLASIFIKASI KUALITAS BUAH JERUK MENGGUNAKAN ALGORITMA YOU ONLY LOOK ONCE V5. Other thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI FULL_DHIEMAS ADY KUSUMA WARDANA.pdf Restricted to Repository staff only Download (4MB)
	Text COVER.pdf Download (69kB)
	Text ABSTRAK.pdf Download (118kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (137kB)
	Text PENGESAHAN PENGUJI.pdf Download (92kB)
	Text DAFTAR ISI.pdf Download (148kB)
	Text DAFTAR PUSTAKA.pdf Download (748kB)

Abstract

Penentuan kualitas buah jeruk yang masih dilakukan secara manual menyebabkan
manajemen penggunaan waktu dan sumber daya sering kali tidak efisien. Proses manual
tersebut memerlukan waktu yang cukup lama karena setiap buah jeruk harus diperiksa secara
cermat untuk menilai karakteristik kualitas seperti warna, bentuk, dan permukaan kulit.
Proses tersebut mengakibatkan seringnya terjadi kesalahan dalam proses penentuan kualitas
buah. Penelitian sebelumnya hanya melibatkan klasifikasi dalam menentukan kualitas buah
jeruk. Metode tradisional sering kali menghadapi keterbatasan dalam validasi input,
terutama dalam mengidentifikasi apakah citra yang dimasukkan adalah buah jeruk atau
bukan, sehingga input apapun yang dimasukkan ke sistem masih akan terklasifikasikan.
Selain itu, metode tradisional hanya mampu mengolah dan mengklasifikasikan 1 objek citra
saja, tapi masih belum dapat melakukan pendeteksian dan klasifikasi pada objek yang
banyak dalam gambar. Penelitian ini akan menggunakan model YOLOv5, sebuah model
deep learning yang mampu melakukan proses deteksi dan klasifikasi pada beberapa objek
sekaligus pada gambar.
Penelitian ini akan mendeteksi kualitas buah jeruk berdasarkan citra jeruk dengan
metode YOLOv5, karena metode ini dapat mendeteksi posisi buah jeruk pada gambar serta
mengklasifikasikan kualitas buah jeruk sekaligus untuk menentukan apakah jeruk tersebut
“Layak” atau “Tidak Layak”. Metode You Only Look Once (YOLO) adalah pendekatan
canggih berbasis Convolutional Neural Network (CNN) yang mengintegrasikan proses
deteksi dan klasifikasi objek dalam satu tahap komputasi, dengan tiga komponen utama:
backbone untuk ekstraksi fitur, neck untuk penggabungan fitur pada berbagai resolusi, dan
head untuk prediksi akhir berupa bounding box dan label klasifikasi.Penelitian ini diawali
dengan kajian literatur menggunakan sumber terpercaya seperti jurnal ilmiah dan buku untuk
memahami konsep serta penelitian terkait penilaian kualitas buah jeruk. Selanjutnya,
dilakukan pengumpulan data menggunakan dataset yang terdiri dari 652 citra beranotasi dari
situs Roboflow, yang kemudian digunakan untuk mengembangkan model deteksi berbasis
YOLO.
Model YOLOv5 yang dikembangkan dalam penelitian ini berhasil menunjukkan
performa yang sangat baik dalam mendeteksi dan mengklasifikasi kualitas buah jeruk.
Selama proses pelatihan, model mencapai accuracy 0.97, validation accuracy 0.94, mAP
0.99, dan rata-rata loss 0.01006. Pada pengujian menggunakan test set yang tidak pernah
digunakan saat pelatihan, model memperoleh testing accuracy sebesar 0.94. Selain itu,
model menunjukkan performa yang sangat baik pada metrik specificity, mencapai nilai 0.94,
yang mencerminkan kemampuan model dalam mengidentifikasi sampel negatif secara
akurat. Keunggulan utama dari model ini adalah kemampuannya untuk melakukan deteksi
dan klasifikasi beberapa objek sekaligus, yang menjadikannya solusi yang efisien dan
potensial untuk dikembangkan lebih lanjut sebagai sistem penentuan kualitas buah jeruk
secara otomatis dan aplikatif.
Kata kunci : Kualitas Jeruk, YOLOv5, Deteksi , Klasifikasi, Roboflow

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kualitas Jeruk, YOLOv5, Deteksi , Klasifikasi, Roboflow
Subjects:	S Agriculture > SB Plant culture T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	27 Dec 2024 01:29
Last Modified:	27 Dec 2024 01:29
URI:	http://eprints.upnyk.ac.id/id/eprint/41914

Actions (login required)

View Item