ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Ukiran pada rumah adat Tongkonan Toraja merupakan salah satu warisan budaya yang memiliki nilai filosofis, historis, dan simbolik yang menggambarkan identitas masyarakat Toraja. Keberagaman pola ukiran memiliki makna tersendiri, namun perubahan sosial menyebabkan pemahaman terhadap pola ukiran tradisional semakin berkurang, khususnya pada generasi muda. Oleh karena itu, penelitian ini mengembangkan sistem pengenalan pola ukiran rumah Tongkonan Toraja menggunakan pendekatan Deep Learning berbasis algoritma YOLOv7 dan YOLOv8. Dataset yang digunakan terdiri dari 630 citra ukiran yang mencakup tiga jenis pola, yaitu pa’tedong, pa’kapubaka, dan pa’bareallo, yang diperoleh melalui dokumentasi lapangan dan sumber daring. Dataset tersebut diaugmentasi untuk meningkatkan variasi data sehingga menghasilkan 1.635 citra, kemudian dibagi menjadi 92% data pelatihan, 4% data validasi, dan 4% data pengujian. Tahapan penelitian meliputi pengumpulan dataset, anotasi, augmentasi, pelatihan model menggunakan 50 epoch dengan ukuran citra 512×512 piksel, serta pengujian model. Berdasarkan hasil evaluasi data validasi, YOLOv7 memperoleh nilai Precision 0,963, Recall 0,987, mAP50 0,993, dan mAP50-95 0,856, sedangkan YOLOv8 memperoleh Precision 0,997, Recall 1,000, mAP50 0,995, dan mAP50-95 0,907. Pada tahap pengujian, YOLOv7 memperoleh Precision 0,947, Recall 0,902, mAP50 0,980, dan mAP50-95 0,805, sedangkan YOLOv8 memperoleh Precision 1,000, Recall 1,000, mAP50 0,995, dan mAP50-95 0,898. Hasil tersebut menunjukkan bahwa YOLOv8 memiliki performa lebih optimal dibandingkan YOLOv7 dalam mendeteksi dan mengenali pola ukiran Tongkonan. Sistem yang dihasilkan mampu memberikan deteksi berupa bounding box, nama kelas, dan nilai confidence untuk mendukung proses digitalisasi dan pelestarian budaya berbasis computer vision.
ThesisOpen AccessMetadata saja
2026•
Penghitungan manual benih udang windu (Penaeus monodon) memiliki kelemahan berupa ketidakakuratan, durasi proses yang lama dengan rentang 15–20 menit per 500–700 larva, serta risiko mortalitas benih yang tinggi akibat penanganan berlebihan. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi sistem penghitungan otomatis real-time berbasis computer vision menggunakan algoritma YOLOv8 dan pelacak BoT-SORT. Dataset yang digunakan setelah melalui tahapan augmentasi berjumlah 780 citra dengan pembagian proporsi 92% data latih, 4% data validasi, dan 4% data uji. Kemudian dataset dilatih menggunakan lima varian arsitektur YOLOv8, di mana model YOLOv8s dipilih sebagai arsitektur paling optimal karena mencapai mAP@0,50 sebesar 91,59%, precision 90,67%, recall 84,76%, dan F1-score 87,04% terhadap data uji dari dataset. Selanjutnya pengujian dilakukan terhadap video (di luar dataset) dengan 16 kombinasi kepadatan (50, 75, 100, dan 150 benur) dan frame rate (120, 60, 30, dan 24 FPS) menunjukkan akurasi rata-rata tertinggi pada kepadatan 150 benur sebesar 93,83% (RMSE 14,72 ekor), dengan konfigurasi terbaik (60 FPS) mencapai 99,33%. Model YOLOv8s yang telah terevaluasi kemudian diintegrasikan ke dalam Graphical User Interface (GUI) berbasis PyQt5 dengan fitur visualisasi deteksi real-time, log waktu inferensi, jumlah hitungan, serta pemantauan beban CPU dan GPU secara bersamaan. Seluruh fitur tersebut telah melalui pengujian black-box dengan persentase keberhasilan 100%. Pengujian real-time menggunakan kamera langsung melalui GUI dilaksanakan dalam 8 sesi yang mencakup 4 kelompok kepadatan, menghasilkan rata-rata FPS sistem 22,11 dengan waktu inferensi 45,28 ms per frame, memenuhi dan melebihi ekspektasi FPS sistem sebesar 15 FPS, serta penggunaan GPU yang efisien (37,7%) dan CPU (25,6%). Namun, akurasi penghitungan pada skenario real-time menurun menjadi rata-rata 54,92% akibat pola kesalahan karena faktor variabilitas kondisi lingkungan yang tidak terkontrol penuh. Hasil penelitian membuktikan bahwa sistem mampu mendeteksi dan menghitung benih udang windu secara real-time dan otomatis, sehingga hipotesis penelitian dinyatakan diterima.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Era digitalisasi menciptakan tantangan baru dalam pengelolaan persediaan industri manufaktur. Sistem penghitungan objek konvensional berbasis sensor infrared memiliki keterbatasan akurasi dan fleksibilitas dengan jarak deteksi maksimal 15 cm serta rentan gangguan pencahayaan. Penelitian ini mengusulkan prototype sistem otomatis berbasis computer vision untuk mendeteksi dan menghitung objek secara real-time menggunakan deep learning dengan algoritma YOLOv4. Sistem ini dirancang untuk mengotomatiskan tugas penghitungan jumlah produk di jalur produksi, mengurangi kesalahan manual, dan meningkatkan efisiensi produksi. Pengujian dilakukan menggunakan sistem conveyor dengan dua kecepatan berbeda untuk mendeteksi kaleng minuman dan kemasan snack. Data uji terdiri dari 5.706 citra yang diambil dari hasil deteksi real-time dalam 10 pengambilan data. Sistem monitoring visual menggunakan webcam beresolusi 1080P yang dipasang pada ketinggian 65 cm dari permukaan conveyor belt. Analisis data menggunakan metrik F-Measure, akurasi, precision, dan recall, berdasarkan confusion matrix. Hasil penelitian menunjukkan bahwa sistem mampu mendeteksi objek secara real-time dengan performa optimal pada kecepatan conveyor belt dengan kecepatan 43 RPM, menghasilkan F-Measure rata-rata 81% dan akurasi keseluruhan 70,6%. Pada kecepatan 43 RPM precision mencapai 95,7% untuk kaleng minuman dan 97,8% untuk kemasan snack, dengan recall masing-masing 66,6% dan 73,1%. Sedangkan dengan kecepatan 59 RPM menghasilkan F-Measure rata-rata 77,7% dan akurasi 65,8%. Pada kecepatan 59 RPM precision mencapai 100% untuk kaleng minuman dan 93,4% untuk kemasan snack, dengan recall masing-masing 67,3% dan 62,7%. Model YOLOv4 menunjukkan konsistensi precision tinggi di atas 93% untuk semua konfigurasi, mengindikasikan reliabilitas dalam menghindari false positive. Namun, variabilitas recall antara 62,7%-73,1% menunjukkan masih terdapat ruang perbaikan untuk meminimalkan false negative. Penelitian ini berkontribusi dalam pengembangan teknologi otomatisasi sektor manufaktur, khususnya penerapan computer vision dan deep learning untuk pengelolaan inventaris dengan sistem yang dapat diadaptasi sesuai karakteristik objek target dan persyaratan kecepatan operasional.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
.Meskipun peraturan keselamatan kerja di sektor konstruksi sudah jelas, kenyataan di lapangan menunjukkan bahwa banyak pekerja masih enggan menggunakan Alat Pelindung Diri (APD). Hal ini disebabkan oleh berbagai faktor, seperti kurangnya kesadaran, tekanan kerja, dan kurangnya fasilitas pendukung. Akibatnya, risiko kecelakaan kerja yang serius seperti jatuh dari ketinggian atau tertimpa benda berat menjadi semakin tinggi. Pendekatan konvensional dalam menangani pelanggaran Keselamatan dan Kesehatan Kerja (K3), seperti teguran lisan atau pemantauan statis melalui CCTV, terbukti kurang efektif dalam deteksi dini dan pencegahan pelanggaran. Metode-metode ini juga tidak sejalan dengan perkembangan teknologi saat ini. Oleh karena itu penelitian ini mengusulkan sebuah sistem deteksi otomatis penggunaan APD pada area konstruksi menggunakan teknik deep learning YOLOv8. Model YOLOv8 dilatih menggunakan 3.569 dataset sekunder dengan 100 epoch pelatihan dan pembagian 60% untuk training, 20% validasi, serta 20% testing. Berdasarkan pengujian pada 90 frame data testing berupa citra real time, model YOLOv8 menunjukkan kinerja yang bagus dalam mendeteksi 8 kelas penggunaan APD. Dengan nilai rata-rata precision, recall, dan f-measure masingmasing sebesar 0,932, 0,806, dan 0,860. Hasil ini menunjukkan bahwa sistem mampu mengklasifikasikan objek yang terdeteksi sebagai penggunaan APD dengan tingkat akurasi yang baik. Namun, nilai recall yang masih di bawah 1 mengindikasikan adanya beberapa objek, khususnya kelas "tidak pakai kacamata" dan "tidak pakai sepatu", yang gagal terdeteksi. Nilai f-measure sebesar 0,860 menunjukkan adanya keseimbangan yang baik antara precision dan recall.
