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•
.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•
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.
