IMPLEMENTASI ARSITEKTUR YOLOV8 NANO UNTUK DETEKSI DAN MENGHITUNG JUMLAH DOMBA

Freshley Grisyuan Surya Kolim, . (2026) IMPLEMENTASI ARSITEKTUR YOLOV8 NANO UNTUK DETEKSI DAN MENGHITUNG JUMLAH DOMBA. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123200034.pdf Download (159kB)
	Text Abstrak_123200034.pdf Download (221kB)
	Text Halaman Pengesahan_123200034.pdf Download (4MB)
	Text Daftar Isi_123200034.pdf Download (301kB)
	Text Daftar Pustaka_123200034.pdf Download (129kB)
	Text Fulltext_123200034.pdf Restricted to Repository staff only Download (4MB)

Abstract

Perhitungan jumlah hewan ternak secara manual melalui rekaman video masih
memiliki berbagai keterbatasan, terutama dalam hal akurasi, konsistensi, serta efisiensi
waktu. Proses pengamatan yang dilakukan secara visual oleh manusia berpotensi
menimbulkan kesalahan akibat kelelahan, kurangnya konsentrasi, maupun keterbatasan
dalam membedakan objek yang bergerak cepat, saling berdekatan, atau mengalami tumpang
tindih (occlusion). Selain itu, variasi sudut pengambilan gambar, perubahan intensitas
pencahayaan, dan kualitas resolusi video turut memengaruhi tingkat kejelasan objek yang
diamati. Permasalahan tersebut menunjukkan perlunya sistem berbasis kecerdasan buatan
yang mampu melakukan deteksi dan penghitungan objek secara otomatis dan real-time. Oleh
karena itu, penelitian ini bertujuan untuk mengimplementasikan model YOLOv8 dalam
mendeteksi serta menghitung jumlah objek domba pada video guna meningkatkan efisiensi
dan akurasi proses pemantauan.
Metode penelitian yang digunakan meliputi tahapan pengumpulan dataset citra
domba dari berbagai sumber, proses pembersihan data (data cleaning), serta anotasi objek
ke dalam dua kelas, yaitu “sheep” dan “not sheep”. Dataset yang telah dianotasi kemudian
digunakan untuk melatih model YOLOv8n dengan konfigurasi parameter pelatihan tertentu
hingga mencapai performa optimal. Proses evaluasi model dilakukan menggunakan metrik
precision, recall, mAP50, dan mAP50–95 untuk mengukur tingkat akurasi deteksi.
Selanjutnya, model yang telah dilatih diintegrasikan ke dalam aplikasi berbasis antarmuka
grafis menggunakan Tkinter, yang memungkinkan sistem memuat video, menampilkan hasil
deteksi secara real-time, serta melakukan pelacakan objek menggunakan algoritma
ByteTrack. Sistem dirancang untuk menghitung jumlah domba yang masuk, keluar, dan total
yang terdeteksi dalam suatu area pengamatan yang telah ditentukan.
Hasil penelitian menunjukkan bahwa model yang dilatih memperoleh nilai mAP50
sebesar 97,1%, mAP50–95 sebesar 71,3%, precision sebesar 94,6%, dan recall sebesar
91,9%, yang mengindikasikan performa deteksi yang tinggi pada tahap evaluasi. Pengujian
sistem pada video dengan sudut pengambilan gambar yang baik menghasilkan akurasi ratarata sebesar 93,61%. Namun, pada kondisi video yang kurang ideal, seperti objek berukuran
kecil, bergerak cepat, atau mengalami occlusion, akurasi menurun menjadi 37,58%. Secara
keseluruhan, sistem berhasil menjalankan seluruh fungsi deteksi, pelacakan, dan
penghitungan sesuai dengan skenario pengujian yang telah ditetapkan. Temuan ini
menunjukkan bahwa implementasi YOLOv8n efektif untuk deteksi dan penghitungan objek
domba berbasis video secara real-time, meskipun performanya sangat dipengaruhi oleh
kualitas visual dan sudut pengambilan gambar.
Kata Kunci: YOLOv8n, deteksi objek, pelacakan objek, penghitungan domba, machine
learning

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Freshley Grisyuan Surya Kolim (123200034 - Penulis) Frans Richard Kodong (Pembimbing)
Uncontrolled Keywords:	YOLOv8n, deteksi objek, pelacakan objek, penghitungan domba, machine learning
Subjek:	T Technology > T Technology (General) Z Bibliography. Library Science. Information Resources > Z665 Library Science. Information Science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	06 Mar 2026 04:36
Last Modified:	06 Mar 2026 04:36
URI:	http://eprints.upnyk.ac.id/id/eprint/47251

Actions (login required)

View Item