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•
.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•
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
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
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.
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.
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.
