DETEKSI KEMATANGAN CABAI KERITING (Capsicum Annuum L) MENGGUNAKAN METODE DEEP LEARNING YOLOV5 (YOU ONLY LOOK ONCE)

TARNANDO, WERI and Agustian, Indra (2023) DETEKSI KEMATANGAN CABAI KERITING (Capsicum Annuum L) MENGGUNAKAN METODE DEEP LEARNING YOLOV5 (YOU ONLY LOOK ONCE). Undergraduated thesis, Universitas Bengkulu.

[img] Text
Skripsi Weri Tarnando - Weri Tarnando-UNIB.pdf - Bibliography
Restricted to Repository staff only
Available under License Creative Commons GNU GPL (Software).

Download (4MB)

Abstract

Indonesia adalah salah satu negara yang memiliki banyak jenis komoditas salah satu komoditas sayuran, yang sangat dibutuhkan oleh hampir semua lapisan masyarakat adalah cabai. Merujuk data BPS pada tahun 2021 produksi cabai keriting mencapai 1.360.571 ton meningkat sebesar 7,62% dibandingkan dengan tahun produksi 2020. Namun dengan jumlah produksi yang begitu besar, mayoritas proses identifikasi kematangan cabai masih dilakukan secara manual oleh manusia. Proses manual tersebut membutuhkan sumberdaya waktu dan tenaga yang banyak, rentan terhadap inkonsistensi dan ketidakakuratan. Pada penelitian ini, bertujuan untuk mendapatkan model deteksi cabai keriting menggunakan metode deep learing YOLOv5 dengan computer vision. Algoritma tersebut diterapkan untuk mendeteksi kematangan cabai secara realtime. Proses pelatihan algoritma dilakukan menggunakan 1928 citra buah cabai dengan tiga klasifikasi yaitu matang, mentah dan busuk. Penentuan hyperparamater terbaik menggunakan hyperparameter evolve mendapatkan hasil training lebih cepat dan akurat. Hasil penelitian menunjukkan bahwa penggunaan algoritma YOLO berhasil untuk mendeteksi ketiga klasifikasi tersebut dengan cukup baik dengan menghasilkan rata-rata nilai confidence sebesar 0,88. Hasil training terbaik didapat pada epoch 330 dari total 1000 epoch. Sedangkan untuk pengujian menggunakan IoU_threshold 0,75, menghasilkan skor precision sebesar 0,901, skor recall sebesar 0,867 dan skor mAP@0.5 sebesar 0,923. dengan hasil kecepatan GPU 21 ms/img pada NVIDIA T4. Kata Kunci: deteksi cabai, deep learning, computer vision, YOLOV5.

Item Type: Thesis (Undergraduated)
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Electrical Engineering
Depositing User: 58 lili haryanti
Date Deposited: 20 Nov 2023 04:53
Last Modified: 20 Nov 2023 04:53
URI: http://repository.unib.ac.id/id/eprint/17278

Actions (login required)

View Item View Item