DETEKSI LIMA JENIS DURIAN PREMIUM BERDASARKAN CITRA MENGGUNAKAN YOLOv8

FADHILLAH, RYZAL (2024) DETEKSI LIMA JENIS DURIAN PREMIUM BERDASARKAN CITRA MENGGUNAKAN YOLOv8. Other thesis, UPN "Veteran" Yogyakarta.

	Text Cover_Ryzal Fadhillah_123200053.pdf Download (139kB)
	Text Abstrak_Ryzal Fadhillah_123200053.pdf Download (238kB)
	Text Lembar Pengesahan_Ryzal Fadhillah_123200053.pdf Download (486kB)
	Text Daftar Isi_Ryzal Fadhillah_123200053.pdf Download (34kB)
	Text Daftar Pustaka_Ryzal Fadhillah_123200053.pdf Download (146kB)
	Text Skripsi Fulltext_Ryzal Fadhillah_123200053.pdf Restricted to Repository staff only Download (2MB)

Abstract

Penentuan jenis durian sering kali menjadi tantangan karena proses identifikasi yang
masih mengandalkan pengetahuan subjektif penjual atau pembeli. Hal ini menyebabkan
ketidakakuratan pemilihan durian, terutama jenis durian premium yang memiliki
karakteristik serupa. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan
mengembangkan sistem deteksi otomatis lima jenis durian premium, yaitu durian duri hitam,
musang king, monthong, bawor, dan kanyao, berdasarkan citra buah menggunakan algoritma
YOLOv8. Dengan sistem ini, konsumen dan penjual dapat mengidentifikasi jenis durian
dengan lebih akurat dan efisien tanpa harus bergantung pada pengalaman individu.
Penelitian ini menggunakan metode Extreme Programming (XP) sebagai pendekatan
pengembangan sistem yang iteratif dan fleksibel. Data dikumpulkan melalui dua sumber,
yaitu data primer berupa citra durian yang diambil langsung dari pasar dan data sekunder
dari Roboflow. Proses preprocessing mencakup penggabungan citra, perubahan ukuran,
serta augmentasi untuk meningkatkan variasi data. Total data dari hasil pengumpulan dan
preprocessing berjumlah 4392 terdiri dari 3852 data train, 358 data validation, dan 182 data
testing. Model dilatih melalui transfer learning menggunakan pre-trained model YOLOv8n.
Evaluasi model dilakukan berdasarkan confusion matrix, mAP50, mAP50-95, precision, dan
recall untuk memastikan performa deteksi yang optimal.
Hasil penelitian menunjukan model YOLOv8n yang dibangun menghasilkan nilai
evaluasi yang baik. Model dilatih dengan epoch sebanyak 50, mendapatkan nilai mAP50
sebesar 94,5% dan mAP50-95 sebesar 80,2%. Model juga mencapai tingka precision dan
recall masing-masing sebesar 93,4% dan 88,9%. Model mampu mengidentifikasii dengan
baik dan akurat untuk objek berjumlah satu hingga enam objek dalam satu citra. Namun,
model mengalami penurunan kinerja ketika objek overlap dengan jumlah lebih dari enam.
Kata Kunci: YOLOv8, Durian, Deep Learning, Deteksi Multi Objek

Item Type:	Thesis (Other)
Uncontrolled Keywords:	YOLOv8, Durian, Deep Learning, Deteksi Multi Objek
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:	11 Apr 2025 02:09
Last Modified:	11 Apr 2025 02:09
URI:	http://eprints.upnyk.ac.id/id/eprint/42333

Actions (login required)

View Item