PENERAPAN ALGORITMA YOU ONLY LOOK ONCE (YOLO v8n) DALAM SISTEM DETEKSI MULTI OBJEK PENYAKIT KULIT MANUSIA SEBAGAI UPAYA PENCEGAHAN PENULARAN BERLANJUT

MARGARETTA, WAHYU VANCE VELLY BRIAN (2025) PENERAPAN ALGORITMA YOU ONLY LOOK ONCE (YOLO v8n) DALAM SISTEM DETEKSI MULTI OBJEK PENYAKIT KULIT MANUSIA SEBAGAI UPAYA PENCEGAHAN PENULARAN BERLANJUT. Other thesis, UPN Veteran Yogyakarta.

	Text COVER_WAHYU VANCE VELLY BRIAN_123210004.pdf.pdf Download (215kB)
	Text ABSTRAK_WAHYU VANCE VELLY BRIAN_123210004.pdf Download (83kB)
	Text LEMBAR PENGESAHAN PEMBIMBING.pdf Download (359kB)
	Text DAFTAR ISI_WAHYU VANCE VELLY BRIAN_123210004.pdf.pdf Download (330kB)
	Text DAFTAR PUSTAKA_WAHYU VANCE VELLY BRIAN_123210004.pdf.pdf Download (200kB)
	Text SKRIPSI FULL_WAHYU VANCE VELLY BRIAN MARGARETTA_123210004 - Copy.pdf Restricted to Repository staff only Download (4MB)

Abstract

Dilansir dari Badan Pusat Statistik Republik Indonesia tahun 2020 (BPS, 2020) menunjukkan adanya peningkatan jumlah penduduk menjadi 26,42 juta jiwa yang menjadi salah satu variabel peningkatan penyakit kulit dilingkungan padat penduduk. Kondisi ini menunjukkan penting dan dibutuhkannya sistem untuk mendeteksi jenis penyakit kulit manusia sedari dini dan sebagai upaya mencegah penularan berlanjut dilingkungan. Tentunya sistem yang dirancang mampu bekerja secara otomatis, real-time, dan dapat deteksi secara multi objek. Model YOLOv8ndigunakan melalui pendekatan transfer learning dengan pre-trained model YOLOv8 nano untuk melatih model baru menggunakan dataset yang terdiri dari 5.443 gambar, yang terdiri dari 5 kelas jenis penyakit kulit manusia seperti, Cacar air, Campak, Mongkeypox, Ringworm, dan kondisi kulit normal. Dataset ini diambil secara opensource dari website roboflow. Selain itu penelitian ini menggunakan rekaman video sebagai sampel uji sistem secara real-time dan gambar yang terdapat lebih 1 jenis penyakit dalam 1 citra untuk pengujian secara multi objek.

Penelitian ini mengevaluasi akurasi deteksi model dengan berbagai konfigurasi hyperparameter, khususnya epoch (50, 75, dan 100), untuk menemukan keseimbangan optimal antara presisi dan recall dalam mendeteksi jenis penyakit kulit manusia yang terbatas pada 5 kelas. Hasil terbaik dicapai dengan model pada 75 epoch, yang menunjukkan performa optimal pada metrik mAP50-95 dengan nilai 0,547 dan recall 0,744. Meskipun akurasi presisi tertinggi tercapai pada epoch 100, peningkatan dari epoch 75 ke 100 tidak signifikan, sehingga pemilihan model dengan 75 epoch dianggap lebih efisien.

Pengujian sistem di laukan dalam berbagai kondisi seperti pengujian pada 5 kelas secara terpisah, real-time menggunakan rekaman video, dan kondisi multi objek dengan maksimal 16 jenis penyakit kulit dalam 1 citra. Hasilnya sistem mampu mendeteksi jenis penyakit kulit dengan benar, untuk pengujian secara real�time sistem mampu mendeteksi ukuran gambar sebanyak 2x2, untuk multi objek sistem mampu mendeteksi sebanyak 16 gambar dalam 1 citra. Model deteksi menujukan performa terbaik dengan nilai precision 81% dan recall 74.4% secara keseluruhan, serta mAP50 sebesar 77.3% dan mAP50-95 sebesar 54.6%. Kelas dengan performa terbaik adalah Monkeypox dan Campak dengan nilai Precision 99,1 dan 85%. Selain itu, mAP50 dari Monkeypox adalah 95,5% dan Campak 87,9%. Penelitian ini berhasil mendeteksi multi-objek dalam kondisi real-time, meskipun terdapat tantangan pada deteksi objek yang berada pada jarak jauh atau blur, yang menyebabkan penurunan performa. Hasil ini mengindikasikan bahwa peningkatan resolusi kamera atau penyesuaian sudut pengambilan gambar dapat meningkatkan performa deteksi dalam skenario yang kompleks.

Kata kunci : Penyakit Kulit, YOLO v8n, Pengujian real-time, Deteksi objek

Item Type:	Thesis (Other)
Additional Information:	WAHYU VANCE VELLY BRIAN MARGARETTA (Penulis - 123210004) ; Ahmad Taufiq Akbar (Pembimbing)
Uncontrolled Keywords:	Penyakit Kulit, YOLO v8n, Pengujian real-time, Deteksi objek
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Pambudi
Date Deposited:	28 May 2025 06:27
Last Modified:	28 May 2025 06:27
URI:	http://eprints.upnyk.ac.id/id/eprint/42636

Actions (login required)

View Item