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•
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•
.Kualitas udara yang buruk di ruang laundry dapat memengaruhi kenyamanan, kesehatan pengguna, dan efisiensi operasional. Hal ini disebabkan oleh tingginya paparan uap kimia, kelembapan berlebih, dan suhu tinggi yang dapat menciptakan lingkungan tidak sehat. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengembangkan prototipe sistem ventilasi otomatis untuk pengendalian kualitas udara di ruang laundry berbasis Internet of ThingsF (IoT) dengan metode rule-based. Sistem ini menggunakan sensor MQ-135 untuk mendeteksi gas CO, sensor DHT22 untuk mengukur suhu dan kelembapan, serta platform Blynk IoT untuk monitoring dan kontrol jarak jauh. Metode rule-based mengklasifikasikan kondisi udara menjadi tiga kategori (Normal, Waspada, dan Bahaya), kemudian mengaktifkan kipas exhaust, LED indikator, dan buzzer secara otomatis sesuai tingkat bahaya yang terdeteksi. Hasil penelitian menunjukkan sistem bekerja dengan baik selama pengujian tiga hari (8-10 Desember 2025) dengan total 360 sampel data. Metode rule-based berhasil mengklasifikasikan kondisi udara dengan tingkat akurasi 100%, mampu mendeteksi lonjakan tertinggi dengan suhu 34.8°C, kelembaban 68%, dan CO 60 ppm, serta menurunkan kondisi secara otomatis melalui aktivasi kipas exhaust. Analisis akurasi sensor menunjukkan sensor suhu DHT22 mencapai 97,840%, sensor kelembaban DHT22 mencapai 84,652%, dan sensor gas MQ-135 mencapai 92,442%, sehingga akurasi sistem keseluruhan mencapai 91,645%. Integrasi dengan platform Blynk IoT mencapai tingkat keberhasilan pengiriman data 100%, packet loss 0% (sangat baik berdasarkan standar TIPHON), dan latency 194,25 ms (baik). Sistem terbukti layak dan andal untuk meningkatkan kualitas udara secara otomatis dan responsif, meskipun terdapat keterbatasan pada akurasi sensor kelembaban dan sensor gas CO, serta dapat diadaptasi untuk penggunaan di berbagai lingkungan dengan kebutuhan serupa.
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
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.
