ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Penelitian ini dilatarbelakangi oleh pentingnya pemahaman guru terhadap konsep pembelajaran deep learning sebagai pendekatan yang menekankan pembelajaran bermakna, mendalam, kontekstual, dan berorientasi pada pengembangan kemampuan berpikir peserta didik. Penelitian ini bertujuan untuk mengetahui tingkat pemahaman guru Sekolah Dasar terhadap konsep pembelajaran deep learning di Kelurahan Mamburungan Timur, Kota Tarakan. Penelitian menggunakan pendekatan kuantitatif dengan jenis penelitian deskriptif survei. Populasi penelitian berjumlah 86 guru, dengan sampel 39 guru. Pengumpulan data menggunakan kuesioner berskala Likert empat poin yang terdiri atas 20 pernyataan. Instrumen mengukur lima indikator, yaitu pemahaman konsep dasar, tujuan, karakteristik, strategi dan pendekatan pembelajaran pendukung, serta penerapan deep learning dalam pembelajaran. Data dianalisis menggunakan statistik deskriptif meliputi frekuensi, persentase, rata-rata, skor minimum, skor maksimum, dan simpangan baku. Hasil penelitian menunjukkan tingkat pemahaman guru berada pada kategori tinggi, dengan rata-rata 62,49 dan simpangan baku 6,84. Sebanyak 20 guru (51,28%) berkategori tinggi, 11 guru (28,21%) sangat tinggi, dan 8 guru (20,51%) sedang. Pemahaman konsep dasar memperoleh rata-rata tertinggi, yaitu 13,05 atau 81,56% dengan kategori sangat tinggi, sedangkan penerapan dan evaluasi pembelajaran memperoleh rata-rata terendah, yaitu 11,70 atau 73,13%, namun berkategori tinggi. Dengan demikian, pemahaman guru terhadap konsep pembelajaran deep learning tergolong baik, tetapi penguatan kompetensi pada aspek penerapan dan evaluasi masih diperlukan. Kata kunci: Deep learning, Pemahaman Guru, Guru Sekolah Dasar, Pembelajaran Mendalam, Survei Deskriptif.
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•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Daun tarum (Indigofera tinctoria Linn) merupakan salah satu bahan yang digunakan sebagai pewarna alami dalam pembuatan sarung Kajang. Tingkat kesegaran daun menjadi salah satu hal yang perlu diperhatikan karena kondisi daun dapat dibedakan berdasarkan karakteristik visualnya. Namun, proses identifikasi secara visual masih bergantung pada pengamatan terhadap kondisi fisik daun. Oleh karena itu, penelitian ini mengembangkan sistem deteksi tingkat kesegaran daun tarum menggunakan metode deep learning YOLOv8n yang diimplementasikan dalam aplikasi desktop. Sistem TarumFresh dirancang untuk mendeteksi tiga kategori daun tarum, yaitu Segar, Tidak Segar, dan Rusak secara real-time melalui kamera Webcam. Dataset yang digunakan terdiri dari 3.246 citra yang dibagi menjadi 2.596 citra data training, 325 citra data validation, dan 325 citra data testing. Model dilatih menggunakan YOLOv8n selama 50 epoch dengan ukuran citra 640 × 640 piksel. Hasil evaluasi menunjukkan bahwa model memperoleh nilai Precision sebesar 0,996, Recall sebesar 0,998, mAP50 sebesar 0,995, dan mAP50-95 sebesar 0,916 pada data validasi. Pada data testing, model memperoleh Precision sebesar 0,998, Recall sebesar 1,000, mAP50 sebesar 0,995, dan mAP50-95 sebesar 0,907. Selanjutnya, model diterapkan pada aplikasi desktop untuk dilakukan pengujian secara real-time pada kondisi objek tunggal, multi-objek, dan multi-kelas. Dari 270 objek yang diuji, sebanyak 266 objek berhasil dideteksi dan diklasifikasikan dengan benar, sehingga diperoleh nilai Precision, Recall, F1-Score, dan Accuracy sebesar 98,5%. Hasil penelitian menunjukkan model YOLOv8n dapat digunakan untuk mendeteksi tingkat kesegaran daun tarum dan diimplementasikan pada aplikasi desktop secara real-time dengan hasil deteksi yang baik.
ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Pembelajaran saat ini diarahkan pada proses belajar yang tidak hanya menekankan penguasaan materi, tetapi juga mendorong peserta didik memahami konsep secara mendalam dan bermakna. Salah satu pendekatan yang sejalan dengan arah tersebut adalah deep learning, yang menekankan pembelajaran yang penuh kesadaran (mindful), bermakna (meaningful), dan menyenangkan (joyful). Penelitian ini bertujuan untuk mengetahui pengaruh pendekatan deep learning terhadap hasil belajar peserta didik kelas XI pada materi pertumbuhan dan perkembangan tumbuhan. Penelitian menggunakan pendekatan kuantitatif dengan desain quasi experimental tipe Nonequivalent Control Group Design. Populasi penelitian adalah seluruh peserta didik kelas XI SMA Negeri 1 Sebatik Tahun Ajaran 2025/2026, sedangkan sampel dipilih menggunakan teknik purposive sampling yang terdiri atas satu kelas eksperimen dan satu kelas kontrol. Kelas eksperimen memperoleh pembelajaran menggunakan pendekatan deep learning, sedangkan kelas kontrol menggunakan pembelajaran konvensional. Data hasil belajar kognitif diperoleh melalui tes pretest dan posttest, sedangkan data afektif dan psikomotorik diperoleh melalui lembar observasi sebagai data pendukung. Analisis data dilakukan menggunakan uji normalitas, uji homogenitas, dan uji ANCOVA dengan bantuan IBM SPSS Statistics versi 22. Hasil penelitian menunjukkan bahwa penerapan pendekatan deep learning berpengaruh signifikan terhadap hasil belajar kognitif peserta didik (Sig. = 0,000 0,05). Peserta didik pada kelas eksperimen memperoleh hasil belajar yang lebih tinggi dibandingkan kelas kontrol setelah mengontrol kemampuan awal. Hasil observasi juga menunjukkan bahwa peserta didik pada kelas eksperimen memiliki sikap dan keterampilan praktikum yang lebih baik dibandingkan kelas kontrol. Temuan ini menunjukkan bahwa pendekatan deep learning yang menekankan prinsip mindful, meaningful, dan joyful learning efektif dalam meningkatkan hasil belajar peserta didik pada materi pertumbuhan dan perkembangan tumbuhan.
ThesisOpen AccessMetadata saja
2026•
.Rumput laut Eucheuma cottonii merupakan komoditas perikanan bernilai ekonomi tinggi yang kualitas pascapanennya sangat dipengaruhi oleh tingkat kekeringan. Penentuan tingkat kekeringan oleh petani masih dilakukan secara manual melalui pengamatan visual terhadap warna dan tekstur sehingga bersifat subjektif dan berpotensi menghasilkan penilaian mutu yang tidak konsisten. Penelitian ini bertujuan membangun sistem klasifikasi otomatis jenis kekeringan rumput laut berbasis pengolahan citra digital menggunakan algoritma YOLOv8 untuk menghasilkan identifikasi yang lebih objektif dan konsisten. Dataset yang digunakan berupa 750 citra primer yang dikelompokkan ke dalam tiga kelas, yaitu 250 citra untuk RL_Basah, 250 citra untuk RL_Kering_Oven, dan 250 citra untuk RL_Kering_Jemur_Langsung. Pengelolaan dataset dilakukan menggunakan Roboflow melalui proses pelabelan, preprocessing (auto-orient dan resize citra menjadi 640 × 640 piksel), serta augmentasi berupa flip horizontal dan vertikal sehingga jumlah dataset meningkat menjadi 1.533 citra. Model YOLOv8n dipilih karena efisiensi komputasinya dan dilatih selama 50 epoch. Model terbaik kemudian diintegrasikan ke dalam aplikasi desktop berbasis PyQt5 yang dilengkapi fitur penyimpanan riwayat hasil deteksi ke basis data MySQL. Hasil evaluasi pada data validasi menunjukkan performa model yang sangat baik dengan nilai mAP50 sebesar 0,995 dan mAP50-95 sebesar 0,969. Pengujian fungsional menggunakan metode Black-Box Testing memperoleh tingkat keberhasilan 100% pada seluruh fungsi sistem. Selain itu, pengujian menggunakan 90 citra baru di luar dataset yang mencakup skenario objek tunggal, multiobjek, dan multikelas. Perhitungan akurasi hanya dilakukan pada skenario pengujian objek tunggal dan menghasilkan nilai akurasi sebesar 0,97. Sementara itu, hasil pengujian yang menggabungkan seluruh skenario pengujian menghasilkan nilai rata-rata Precision sebesar 0,92, Recall sebesar 0,90, dan F-Measure sebesar 0,90. Berdasarkan hasil tersebut, sistem yang dikembangkan mampu mengklasifikasikan jenis kekeringan rumput laut secara otomatis dan konsisten berdasarkan karakteristik visual citra.
ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Judi online merupakan salah satu bentuk ancaman digital yang semakin berkembang seiring meningkatnya kemudahan akses internet melalui browser web. Penelitian ini bertujuan untuk mengembangkan sistem yang mampu mendeteksi serta menutup otomatis tab browser yang menampilkan situs judi online pada sistem operasi Windows. Sistem dikembangkan menggunakan model deep learning YOLO versi YOLOv11s untuk mendeteksi objek visual situs judi secara real-time, PyAutoGUI untuk melakukan otomatisasi penutupan tab browser, serta PyQt5 sebagai antarmuka pengguna. Dataset yang digunakan berjumlah 7.363 citra, yang terdiri dari tampilan situs judi online dan non-judi, kemudian dibagi secara manual menggunakan rasio 60% data training, 20% data validation, dan 20% data testing, sehingga diperoleh 4.418 data training, 1.472 data validation, dan 1.473 data testing. Hasil pelatihan model selama 80 epoch menghasilkan nilai Precision sebesar 0,919, Recall sebesar 0,852, mAP50 sebesar 0,924, dan mAP50-95 sebesar 0,852. Pada pengujian fungsionalitas menunjukkan bahwa seluruh fitur utama sistem berhasil berjalan sesuai dengan kebutuhan fungsional dengan tingkat keberhasilan sebesar 100%. Kemudian berdasarkan pengujian sistem secara real-time terhadap 60 website, yang terdiri dari 30 website judi dan 30 website non-judi, sistem memperoleh rata-rata Precision sebesar 86,9%, Recall sebesar 86,7%, F1-score sebesar 86,7%, dan accuracy sebesar 86,7%, dengan 52 data berhasil diklasifikasikan dengan benar dengan rata rata Response time sebesar 3,615 Detik. Selain itu, sistem berhasil diimplementasikan dalam bentuk aplikasi desktop standalone (.exe) pada sistem operasi Windows dan mampu menjalankan proses deteksi serta penutupan tab browser secara otomatis dan stabil. Berdasarkan hasil tersebut, sistem yang dikembangkan berhasil memenuhi tujuan penelitian sebagai solusi teknologi berbasis desktop yang dapat membantu pengguna dalam mencegah dan membatasi akses terhadap situs judi online.
ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Stunting merupakan tantangan kesehatan nasional di Indonesia yang memerlukan pemantauan antropometri secara akurat, namun metode manual di Posyandu sering terhambat oleh faktor subjektivitas petugas dan ketidaknyamanan subjek. Penelitian ini mengembangkan sebuah sistem deteksi dini stunting otomatis berbasis sensor multimodal dan deep learning yang mengintegrasikan sensor load cell dan kamera pada Raspberry Pi 5 melalui antarmuka desktop. Sistem ini mengombinasikan algoritma YOLOv8n untuk lokalisasi objek dan MediaPipe Pose Estimation untuk mengekstraksi landmark tubuh guna mengukur panjang serta berat badan secara non-kontak. Dataset yang digunakan berjumlah 2.200 citra digital dengan pembagian 60% data latih (1.320 citra), 20% data validasi (440 citra), dan 20% data uji (440 citra). Hasil evaluasi model YOLOv8n yang mencapai titik optimal pada epoch ke-35 dengan nilai mAP50 sebesar 0,862, serta nilai precision, recall, dan F1-score dalam mendeteksi citra bayi masing-masing sebesar 86%, 75%, dan 80%. Kemudian hasil pengujian laboratorium dalam mengukur panjang badan manekin bayi dengan variasi posisi sudut, sistem mampu mencapai akurasi tinggi sebesar 98,47% untuk panjang badan (RMSE 1,079 cm). Sedangkan akurasi sensor berat badan yang divalidasi dengan menimbang kembali beban uji terhadap massa acuan menggunakan sensor terkalibrasi sebesar 96,56% untuk berat badan (RMSE 0.01543 kg). Pengujian fungsionalitas menggunakan metode black-box testing, menunjukkan 100% fitur antarmuka sistem berjalan sesuai dengan fungsi yang diharapkan. Penerapan integrasi sistem secara keseluruhan terhadap pengukuran bayi dan manekin secara realtime sebanyak 20 responden di lapangan, mendapatkan nilai akurasi sebesar 94% untuk panjang badan bayi (RMSE 4.87 cm) dan 92% untuk akurasi berat badan bayi (RMSE 0,64 kg), serta akurasi dalam mendeteksi stunting berdasarkan kategori Panjang Badan per Umur (PB/U) 70% dan Berat Badan Per Panjang Badan BB/PB = 35%. Selain itu, hasil skor SUS (System Usability Scale) antarmuka sistem sebesar 45 kategori "Not Acceptable" dengan Grade Scale "F". Hasil pengujian tersebut, menunjukkan bahwa antarmuka desktop masih kurang user-friendly bagi kader Posyandu.
ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
This research aims to illustrate how the eight elements of the deep learning graduate profile were implemented in English language education at SMPN 1 Tarakan, related the problems encountered by teachers. This study uses a descriptive qualitative method, with data gathered through observation, questionnaires, and interviews. It includes one teacher and 31 students. According to the research findings, numerous characteristics of classroom activities have been added, including faith and piety toward God Almighty, communication, teamwork, and independence. However, not all dimensions appear to be consistently implemented, and features such as creativity, critical thinking, citizenship, and self-confidence remain limited due to pupils' limited abilities and low self-esteem. The most challenging problem for teachers is integrating all eight characteristics into a single class, which is exacerbated by variations in student involvement and time constraints. Overall, implementation is a continuous process that requires ongoing improvement and support.
ThesisOpen AccessMetadata saja
2026•
Penelitian ini bertujuan untuk merancang dan membangun sistem deteksi objek senjata tajam berbasis deep learning menggunakan algoritma YOLOv8n. Sistem yang dibangun difokuskan pada pendeteksian tiga jenis senjata tajam, yaitu pisau, sabit, dan parang. Dataset yang dikumpulkan sebanyak 1.200 citra dengan rincian 600 citra primer dan 600 citra sekunder. Citra yang telah dikumpulkan akan diproses melalui tahapan konstruksi dataset, meliputi proses anotasi dan augmentasi data (saturation, brightness, dan resize) hingga diperoleh sebanyak 2.640 dataset. Hasil kontruksi dataset selanjutnya dibagi menjadi 2.160 citra untuk data latih, 240 citra untuk validasi data, dan 240 citra untuk data uji. Hasil pemodelan YOLOv8n yang dilatih sebanyak 100 epoch terhadap 2.160 citra latih diperoleh box precision, recall, mAP50, dan mAP50-95 masing-masing sebesar 0,865, 0,815, 0,895 dan 0,649. Evaluasi terhadap data uji diperoleh nilai precision, recall, dan F1-score masing-masing sebesar 0,837, 0,819, dan 0,827 dengan kelas terbaik ada pada kelas sabit dengan nilai precision sebesar 0,937, recall sebesar 0,913, dan F1-score sebesar 0,924. Hasil pengujian sistem secara real-time dalam berbagai variasi jarak (1-4 meter) menunjukkan bahwa sistem mampu melakukan deteksi objek secara responsif dengan nilai rata-rata precision 0,824, recall 0,760, dan F1-score 0,790. Hasil menunjukkan bahwa sistem yang dikembangkan mampu mendeteksi objek senjata tajam dan menampilkan hasil deteksi secara langsung. Dengan demikian, penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem deteksi senjata tajam berbasis deep learning pada berbagai lingkungan.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Masyarakat Suku Dayak Kenyah memiliki pengetahuan turun-temurun dalam pemanfaatan tumbuhan untuk pengobatan tradisional. Namun, kemiripan morfologi antara spesies tanaman, khususnya daun, sering menjadi kendala dalam identifikasi yang akurat. Meskipun minat terhadap herbal medicine semakin meningkat, keterbatasan pemahaman mengenai tanaman obat tetap menjadi masalah, meski Indonesia memiliki lebih dari 38.000 spesies tumbuhan, dengan 2.039 di antaranya tanaman herbal. Proses klasifikasi daun obat tradisional masih dilakukan secara manual, berisiko terjadi kesalahan akibat kemiripan bentuk dan tekstur antar daun. Penelitian ini mengusulkan sistem klasifikasi citra daun obat tradisional Suku Dayak Kenyah menggunakan metode deep learning Convolutional Neural Network (CNN), dengan fokus pada daun senggani (Melastoma malabathricum L), daun jarak (Jatropha curcas), dan daun sengkubak (Pycnarrhena cauliflora). Penelitian menggunakan dataset 900 citra primer yang diproses melalui tahapan preprocessing dan augmentation hingga menghasilkan 2.340 citra. Dataset dibagi menjadi 80% data latih, 10% data validasi, dan 10% data uji. Proses analisis meliputi pembagian dataset, pelatihan model, dan evaluasi performa dengan mengamati kestabilan metrik pada data validasi dan pengujian. Hasil pelatihan model CNN dengan arsitektur MobileNetV2 menunjukkan bahwa akurasi terbaik tercapai pada epoch ke-50 dengan nilai akurasi pelatihan 100%, akurasi validasi 100%, dan validation loss sebesar 0,0565. Evaluasi terhadap data uji menunjukkan performa model sangat baik, dengan nilai precision, recall, dan F1-Score rata-rata mencapai 100% pada seluruh kategori daun serta rata-rata akurasi 100%. Namun, pengujian pada 90 data uji dari dataset luar menunjukkan penurunan performa model, dengan rata-rata precision 88%, recall 84%, dan F1-score 83%, dengan rata-rata dari akurasi per kelas 88,9% dan akurasi total model pada data uji luar dataset adalah 84,4%. Hasil ini menunjukkan bahwa model CNN dengan arsitektur MobileNetV2 efektif dalam klasifikasi citra daun obat tradisional Suku Dayak Kenyah, dan dapat menjadi solusi inovatif serta standar kualitas dalam klasifikasi daun senggani, daun jarak, dan daun sengkubak.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Human error is still a major cause of accidents, including drivers' negligence in paying attention to and recognizing traffic signs on the road. Traffic signs serve to provide clear guidance for drivers, but it is often difficult for drivers to recognize these signs quickly, especially in non-ideal environmental conditions such as bad weather, low lighting, or unclear sign positions. This increases the risk of traffic accidents. This research proposes an automatic traffic sign detection system using YOLOv8 to recognize warning, prohibition, and command signs in real-time. The system is focused on recognizing various types of signs such as warnings, prohibitions, and commands in real-time in one image display, and the user interface is built with PyQt5 to display real-time detection results. The dataset used amounted to 2,210 images consisting of 780 primary datasets and 1,430 secondary datasets. After passing the annotation and augmentation stages, the dataset to be processed becomes 3,629 images with a division into 87% training data and 13% validation data. Testing the results of the training model shows excellent detection performance with a precision value of 99.8%, recall of 98.2%, and a mean average precision (mAP) value of 98.7% for IoU 50 89.7%.The system was also evaluated using 78 real-time images with various lighting conditions and angles.
ThesisOpen AccessMetadata saja
2025•
kali tidak konsisten terutama pada pengamatan berskala besar. Untuk mengatasi permasalahan tersebut, peneliti mengusulkan sistem deteksi tingkat kesegaran kubis putih secara otomatis dan real-time dengan menggunakan algoritma deep learning YOLOv8. Sistem ini akan mengidentifikasi berdasarkan tiga tingkatan kesegaran, yaitu kubis segar, kubis kurang segar, dan kubis busuk. Dataset yang digunakan terdiri dari 3009 citra kubis putih hasil dari proses pre-processing berupa resize, dan rotasi, serta proses augmentasi citra berupa brightness untuk meningkatkan variasi sampel sehingga diperoleh proporsi 93% (3009 citra) data latih, 3% (106 citra) data validasi, dan 3% (106 citra) data uji. Hasil pengujian sistem terhadap 106 citra data uji menghasilkan nilai rata rata recall sebesar 0,847, recall sebesar 0,878 dan f-measure sebesar 0,863. Kemudian hasil pengujian sistem secara real-time terhadap citra multi objek (berisi tiga kelas secara acak) yang diambil sebanyak 1 kali per 10 detik selama 5 menit pada jarak 20 cm dihasilkan nilai recall sebesar 0,919, recall sebesar 0,902, dan f-measure sebesar 0,903, sedangkan pada jarak 30 cm diperoleh nilai recall sebesar 0,889, recall sebesar 0,911, dan f-measure sebesar 0,888. Dari hasil pengujian tersebut membuktikan bahwa sistem dapat bekerja dalam mendeteksi kesegaran kubis putih secara real-time paling baik pada jarak 20 cm. Hal ini membuktikan bahwa usulan sistem dapat menjadi solusi efektif untuk seleksi mutu produk kubis putih secara otomatis dan real-time.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Kabupaten Malinau di Provinsi Kalimantan Utara, khususnya Desa Putat, memiliki keanekaragaman hayati yang tinggi, termasuk tumbuhan dari family Menispermaceae, salah satunya daun Sengkubak dengan nama ilmiah Pycnarrhena Cauliflor. Penelitian ini bertujuan untuk membangun sistem deteksi kesegaran berbasis citra menggunakan metode deep learning khususnya CNN untuk mengklasifikasikan jenis kesegaran daun Apa (sengkubak) kedalam tiga kriteria yaitu daun sengkubak segar, daun sengkubak tidak segar, daun sengkubak rusak. Dataset penelitian ini terdiri dari 1500 citra awal data primer daun sengkubak dengan tiga kriteria kesegaran, yang kemudian diproses melalui tahap preprocessing dan augmentasi sehingga menghasilkan 2500 citra. Pembagian dataset terdiri dari 80% data latih, 10% data validasi, dan 10% data uji. Model CNN dengan arsitektur VGG16 yang dilatih menunjukkan akurasi pelatihan sebesar 99.27%. Evaluasi menggunakan data validasi menunjukkan performa model secara keseluruhan berdasarkan nilai f1-score berada pada kisaran 99-100%. Sementara itu, data uji menghasilkan precision 100%, untuk daun sengkubak rusak, meskipun terdapat sedikit kesalahan dengan recall sebesar 96% dan fi-score 98%. Untuk daun sengkubak segar precision, recall, dan f1-score rata-rata mencapai 100%. Sedangkan untuk daun sengkubak tidak segar precision 97%, recall 100%, dan f1-score 98%. Berdasarkan hasil yang diperoleh, model CNN dengan arsitektur VGG16 menunjukkan performa yang baik dalam mengklasifikasikan kesegaran daun sengkubak, meskipun masih terdapat beberapa kesalahan pada pengujian. Faktor kesalahan tersebut disebabkan oleh kurangnya variasi tekstur daun, keterbatasan keragaman data latih, dan kualitas citra. Sistem ini diharapkan menjadi sistem deteksi yang inovatif dan standar kualitas yang lebih objektif untuk daun sengkubak vetsin alami masyarakat Dayak.
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.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Kota Tarakan yang terletak di Kalimantan Utara kaya akan keanekaragaman hayati khususnya jenis family arecaceae. Family arecaceae diketahui memainkan peran penting dalam ekosistem dan perekonomian lokal. Penelitian ini bertujuan untuk membangun sistem klasifikasi berbasis citra menggunakan metode deep learning khususnya CNN untuk mengidentifikasi jenis buah family arecaceae. dataset penelitian terdiri dari 420 citra awal palem raja dan pinang, yang kemudian diproses melalui tahap preprocessing, menghasilkan 1.338 citra. Pembagian dataset dilakukan dengan alokasi 75% untuk data latih, 10% data validasi, dan 15% data uji sekunder. Model CNN yang dilatih menunjukkan akurasi pelatihan sebesar 100% dan evaluasi menggunakan data validasi menghasilkan rata - rata presisi, recall, dan f1-score masing -masing 100%. Model kemudian diuji cobakan pada data uji sekunder hingga diperoleh rata-rata presisi sebesar 95%, recall dan f1-score masing-masing sebesar 94%, sedangkan evaluasi pada data uji primer menghasilkan rata-rata presisi sebesar 88%, recall 88%, dan f1-score 87% dengan ketetapan nilai threshold 95%. Hasil evaluasi ini menunjukkan bahwa penelitian ini berhasil membangun sistem klasifikasi yang efektif dalam mengenali dan menganalisis citra buah, meskipun masih terdapat kesalahan pada beberapa pengujian, khususnya data primer. Faktor kesalahan tersebut disebabkan oleh keterbatasan jumlah citra, kurangnya variasi data latih dan tidak ada tahapan preprocessing pada citra data uji. Sistem ini diharapkan dapat mendukung program konservasi dan pengelolaan sumber daya alam yang berkelanjutan, serta dapat diterapkan pada flora wilayah tropis lainnya.
