DETEKSI PENYAKIT DAUN TANAMAN KENTANG MENGGUNAKAN METODE YOLOV8

LATIEF, FADEL RADITYA (2024) DETEKSI PENYAKIT DAUN TANAMAN KENTANG MENGGUNAKAN METODE YOLOV8. Other thesis, UPN Veteran Yogyakarta.

[thumbnail of Cover_123190134_Fadel Raditya Latief.pdf] Text
Cover_123190134_Fadel Raditya Latief.pdf
Download (463kB)
[thumbnail of Abstrak_123190134_Fadel Raditya Latief.pdf] Text
Abstrak_123190134_Fadel Raditya Latief.pdf
Download (104kB)
[thumbnail of Daftar Isi_123190134_Fadel Raditya Latief.pdf] Text
Daftar Isi_123190134_Fadel Raditya Latief.pdf
Download (100kB)
[thumbnail of Lembar Pengasahan Pembimbing_123190134_Fadel Raditya Latief.pdf] Text
Lembar Pengasahan Pembimbing_123190134_Fadel Raditya Latief.pdf
Download (3MB)
[thumbnail of Lembar Pengasahan Penguji_123190134_Fadel Raditya Latief.pdf] Text
Lembar Pengasahan Penguji_123190134_Fadel Raditya Latief.pdf
Download (4MB)
[thumbnail of Daftar Pustaka_123190134_Fadel Raditya Latief.pdf] Text
Daftar Pustaka_123190134_Fadel Raditya Latief.pdf
Download (115kB)
[thumbnail of Skripsi Fulltext_123190134_Fadel Raditya Latief.pdf] Text
Skripsi Fulltext_123190134_Fadel Raditya Latief.pdf
Restricted to Repository staff only
Download (41MB)

Abstract

Penelitian ini bertujuan untuk mengevaluasi performa YOLOv8 sebagai metode
deteksi objek untuk penyakit daun kentang, khususnya pada variasi jarak dan intensitas
cahaya. YOLOv8 dipilih karena keunggulannya dalam mendeteksi dan mengklasifikasikan
objek dengan akurasi tinggi. Penelitian ini mengatasi permasalahan keterbatasan metode
sebelumnya yang kurang optimal dalam mendeteksi objek kecil pada jarak jauh dan belum
menguji pengaruh variasi pencahayaan.
Penelitian ini menggunakan dataset yang terdiri dari data primer yang diperoleh
langsung dari perkebunan kentang di Dieng dan data sekunder dari situs Kaggle. Dataset
diproses melalui tahapan anotasi, splitting, dan augmentasi menggunakan platform
Roboflow. Data dibagi menjadi data pelatihan, validasi, dan pengujian dengan proporsi
80:15:5. Model dilatih menggunakan YOLOv8 dengan pengaturan hyperparameter default
dan diuji pada empat variasi jarak (10 cm, 25 cm, 50 cm, 75 cm) serta dua kondisi
pencahayaan (terang dan redup). Evaluasi performa dilakukan menggunakan metrik
precision, recall, mAP50, dan mAP50-95.
Hasil penelitian menunjukkan bahwa YOLOv8 dapat mendeteksi berbagai objek
dalam sebuah citra dengan baik. Performa terbaiknya menghasilkan mAP sebesar 0.994,
mAP50-95 sebesar 0,962, precision 0,994 dan recall 0,997 pada training menggunakan
epoch bernilai 50. Pada jarak 10 cm mendapatkan performa terbaik pada pengujian jarak
dengan precision 82,7%, recall 90,5%, mAP50 94,1%, dan mAP50-95 89,7%. Performa
menurun signifikan pada jarak yang lebih jauh, dengan precision sebesar 26,8% pada jarak
50 cm dan 12,8% pada jarak 75 cm. Pada pengujian intensitas cahaya, kondisi terang
menghasilkan mAP50-95 sebesar 95%, sedangkan pada kondisi redup menurun menjadi
88,2%.
Kata kunci: YOLOv8, penyakit daun kentang, deteksi objek, jarak, intensitas cahaya.

Item Type: Thesis (Other)
Uncontrolled Keywords: YOLOv8, penyakit daun kentang, deteksi objek, jarak, intensitas cahaya.
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User: A.Md Eko Suprapti
Date Deposited: 31 Jan 2025 02:06
Last Modified: 31 Jan 2025 02:06
URI: http://eprints.upnyk.ac.id/id/eprint/42129

Actions (login required)

View Item View Item