Hasil pencarian

ThesisOpen AccessMetadata saja

SISTEM REAL-TIME PENGHITUNGAN OTOMATIS BENIH UDANG WINDU (PENAEUS MONODON) BERBASIS COMPUTER VISION DAN DEEP-LEARNING

AGUNG GUNAWAN

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.

Computer VisionDeep-LearningReal-TimeUdang WinduYOLOv8

0 dilihat · 0 unduhanSitasiDetail

ThesisOpen AccessMetadata saja

SISTEM PENERJEMAH ABJAD BAHASA ISYARAT GESTUR TANGAN SECARA REAL-TIME MENGGUNAKAN GUI PYQT5 DAN DEEP-LEARNING YOLOv8

IKHSAN MAULANA

2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir

Komunikasi merupakan elemen penting dalam kehidupan sosial, namun menjadi tantangan bagi penyandang tuna rungu-wicara akibat keterbatasan dalam menyampaikan dan menerima informasi. Bahasa isyarat menjadi solusi utama dalam berkomunikasi, namun tidak semua orang mampu memahaminya. Untuk itu, penelitian ini mengusulkan sistem penerjemah abjad bahasa isyarat gestur tangan secara real-time menggunakan GUI PyQt5 dan deep-learning YOLOv8. Sistem ini dirancang untuk mendeteksi gestur tangan dan menerjemahkannya ke dalam huruf abjad dan pesan suara secara otomatis dengan tampilan interface yang interaktif. Penelitian ini menggunakan dataset berjumlah 2028 data primer setelah melalui proses resize dan augmentasi berupa brightness, saturation, grayscale, dan exposure dengan proporsi pembagian dataset terdiri 92% data latih, 4% data validasiasi dan 4% data uji. Hasil pengujian sistem terhadap 4% data uji mendapatkan nilai precision, recall, dan f-measure seluruhnya adalah 1. Sedangkan hasil pengujian sistem terhadap citra real-time yang diambil sebanyak 10 sampel setiap kelas gestur untuk tangan kanan dan kiri dengan jarak 50 cm (total 520 citra) menunjukkan performa terbaik pada tangan kanan dengan precision 0,97, recall 0,88, dan f-measure 0,90, sementara performa pada tangan kiri tetap menunjukkan performa yang baik meskipun sedikit menurun. Pengujian juga dilakukan terhadap kondisi pencahayaan dan ketajaman citra dengan empat variasi skema dan dengan pencahayaan ruangan menggunakan lampu dengan intensitas 9 watt, mendapatkan performa terbaik tercapai saat kecerahan dikurangi 50, dengan precision 0,86, recall 0,74, dan f-measure 0,78, yang menunjukkan bahwa kualitas visual citra memengaruhi kinerja sistem deteksi. Selain itu, pengujian aspek usability menggunakan kuesioner System Usability Scale (SUS) yang diisi oleh 20 responden menghasilkan skor 80,38 dan masuk kedalam kategori “Good”, yang menandakan bahwa sistem ini tidak hanya baik dalam mendeteksi tetapi juga mudah digunakan dan memberikan pengalaman pengguna yang positif secara keseluruhan.

Bahasa isyaratGestur tanganDeep-LearningYOLO

0 dilihat · 0 unduhanSitasiDetail