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
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Udang windu merupakan salah satu komoditas ekspor unggulan Indonesia yang memiliki nilai ekonomi tinggi. Namun, proses identifikasi kesegaran udang secara manual sering kali memerlukan waktu yang cukup lama serta membutuhkan keahlian khusus. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kesegaran udang windu berbasis citra digital dengan metode Gray Level Co-occurrence Matrix (GLCM) dan Artificial Neural Network (ANN). Sistem tersebut diintegrasikan ke dalam interface desktop menggunakan PyQt5 sehingga dapat mempermudah pengguna dalam menilai kualitas udang secara efektif. Total dataset yang digunakan sebanyak 400 dataset dengan rincian 200 untuk udang segar dan 200 untuk udang tidak segar. Dari dataset tersebut kemudian dibagi proporsi 85% (340 data) untuk data latih dan 15% (60 data) untuk data uji. Proses pelatihan dilakukan dengan epoch sebanyak 200 dan batch size 35 dengan latar belakang putih pada setiap pengambilan dataset. Hasil terbaik diperoleh pada epoch ke-199 dengan nilai loss sebesar 0,0199 dan accuracy sebesar 0,9971. Hasil pengujian terhadap 60 data uji menunjukkan bahwa sistem mampu mengidentifikasi kesegaran udang dengan nilai precision 1,00, recall 1,00, dan F-measure 1,00 pada kelas udang segar. Sedangkan pada kelas udang tidak segar diperoleh nilai precision 1,00, recall 0,90, dan F-measure 0,95. Hal ini menandakan bahwa sistem berhasil mendeteksi kedua kelas udang windu dengan tingkat keakuratan yang tinggi. Hanya saja perlu ada perbaikan pada pengambilan dataset citra udang tidak segar .Dengan adanya aplikasi ini, proses identifikasi kesegaran udang dapat dilakukan dengan lebih baik sehingga membantu dalam pemilihan udang segar dan tidak segar secara lebih efektif.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Kabupaten Nunukan, yang terletak di Provinsi Kalimantan Utara, khususnya di Pulau Sebatik, memiliki potensi besar dalam produksi kelapa sawit. Proses manual dalam menentukan jenis kelamin bunga kelapa sawit seringkali menyebabkan kesalahan dan ketidakefisienan. Oleh karena itu, penelitian ini mengusulkan untuk mengembangkan sistem klasifikasi jenis kelamin bunga kelapa sawit secara otomatis berbasis citra dengan menggunakan salah satu arsitektur CNN (Convolutional Neural Network) yaitu VGG19. Dataset dalam penelitian ini menggunakan data primer yang terdiri dari 800 citra bunga kelapa sawit, masing-masing 400 citra untuk bunga jantan dan betina. Dataset kemudian diproses melalui tahapan preprocessing hingga menghasilkan total 1.164 citra baru yang digunakan untuk pelatihan model dengan pembagian proporsi 80% untuk data pelatihan, 10% untuk data validasi, dan 10% untuk data uji. Hasil pelatihan model CNN dengan arsitektur VGG19 terhadap 80% data pelatihan menunjukkan rata-rata nilai precision, recall, dan f1-score keseluruhan sebesar 100%. Begitu pula hasil evaluasi model pelatihan terhadap 10% data validasi dan 10% data uji menunjukkan nilai precision, recall, dan f1-score mencapai 100%. Namun pada saat sistem diimplementasikan menggunakan citra baru diluar dataset sebanyak 18 citra, masih terdapat kesalahan dalam mengidentifikasi bunga betina sebagai bunga jantan, sehingga menghasilkan rata-rata presisi sebesar 95%, recall 95%, dan F1-score 94%. Hasil pengujian ini menunjukkan, sistem berhasil mengklasifikasikan bunga kelamin kelapa sawit, meskipun masih terdapat kesalahan dalam implementasi sistem. Faktor kesalahan tersebut disebabkan oleh keterbatasan jumlah citra ataupun kurangnya variasi data latih. Sistem ini diharapkan dapat berkontribusi dalam bidang pertanian kelapa sawit, terutama dalam mengklasifikasikan bunga kelapa sawit.
ThesisOpen AccessMetadata saja
2022•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Salah satu teknologi yang sedang berkembang pesat pada era modern revolusi 4.0 yakni kamera. Pixel (piksel) merupakan elemen terkecil yang diberikan oleh kamera citra digital yang bisa dilihat mata, piksel ini tersusun seperti matriks berisi angka 0 hingga 255. Piksel inilah yang dijadikan sumber data dalam proses pengolahan citra digital. Dalam penelitian ini dilakukan 2 proses pengambilan data yakni pengambilan data tinggi sebenarnya menggunakan alat ukur baku stature meter dan pengambilan foto sampel menggunakan kamera yang diletakkan pada jarak 160 cm dan tinggi 100cm dari sampel. Foto sampel yang diperoleh selanjutnya diproses untuk segmentasi/pemisahan tubuh sampel terhadap lingkungan sekitarnya menggunakan beberapa teknik pengolahan citra digital seperti grayscale, blur, deteksi tepi, dan bounding box sehingga didapatkan nilai piksel yang mewakili tinggi sampel. Tahapan selanjutnya ialah proses analisis regresi dengan menghubungkan nilai tinggi badan sebenarnya dengan nilai tinggi piksel dengan menggunakan 5 metode analisis regresi yakni metode persamaan kuadrat terkecil, metode persamaan berpangkat logaritmik, metode persamaan eksponensial, metode persamaan polinomial kuadrat, serta metode persamaan polinomial kubik. Penelitian ini melakukan analisis perbedaan nilai koefisien korelasi, Root Mean Squared Error (RMSE), error rata-rata dan akurasi yang diberikan antara kelima jenis analisis regresi tersebut dalam sistem perhitungan tinggi badan berbasis pengolahan citra digital terhadap nilai hasil pengukuran tinggi sebenarnya. Adapun hasil yang didapatkan ialah metode-metode ini memiliki perbedaan hasil nilai analisis yang tidak terlalu jauh/signifikan, metode berpangkat logaritmik dengan persamaan y=0.4825x^0.947 menghasilkan nilai analisis yang terbaik yakni nilai koefisien korelasi 0,.976, RMSE 1.3, error rata-rata 0.58%, dan akurasi 99.42%, Sedangkan metode polinomial kubik berada diposisi terakhir dengan nilai koefisien korelasi 0.978, RMSE 1.41, error rata-rata 0.64%, dan akurasi 99.36%.
