INTEGRASI METODE YOU ONLY LOOK ONCE (YOLOv7) DALAM IDENTIFIKASI ANGGREK ALAM (STUDI KASUS: BUDIDAYA ANGGREK, KELURAHAN SURABAYA)

YUSNI, MEIHESA and Arie, Vatresia and Atra, Romeida (2023) INTEGRASI METODE YOU ONLY LOOK ONCE (YOLOv7) DALAM IDENTIFIKASI ANGGREK ALAM (STUDI KASUS: BUDIDAYA ANGGREK, KELURAHAN SURABAYA). ['eprint_fieldopt_thesis_type_ut' not defined] thesis, Universitas Bengkulu.

[thumbnail of Thesis] Archive (Thesis)
G1A019036_YUSNI MEIHESA_SKRIPSI - Yusni Meihesa.pdf - Bibliography
Restricted to Repository staff only
Available under License Creative Commons GNU GPL (Software).

Download (10MB)

Abstract

Identifikasi anggrek menjadi salah satu hal yang penting agar dapat mengetahui
jenis tanaman tersebut. Dalam penelitian ini, dilakukan identifikasi anggrek
sampai ke tahap genus sebagai bentuk pengembangan teknologi dalam membantu
identifikasi tanaman ini serta sebagai bahan pembelajaran dan media informasi.
Penggunaan teknologi deteksi objek menggunakan algoritma YOLOv7 yang akan
di-deployment sampai ke tahap android menjadi salah satu solusi yang tepat untuk
permasalahan ini. Pengumpulan data dilakukan dengan melakukan observasi
langsung ke lapangan dan menghasilkan lima genus anggrek yaitu Coelogyne,
Dendrobium, Oncidium, Phalenopsis dan Vannda dengan jumlah sebanyak 4569
data citra yang sudah melalui tahap preprocessing dan augmentasi. Kombinasi
nilai parameter epoch sebesar 1000, batch size 32, learning rate 0.001, momentum
0.92, dan weight decay 0.005 menjadi model terbaik. Penulis melakukan evaluasi
pada model tersebut menggunakan data uji sebanyak 458 data citra terhadap
model tersebut menggunakan Mean Average Precision (mAP) dan Confusion
Matrix dengan nilai mAP@.5 sebesar 0,996. Kemudian dilakukan juga pengujian
berdasarkan beberapa kondisi yang menghasilkan kesimpulan bahwa model
tersebut bekerja maksimal dengan satu tanaman yang diletakkan pada latar polos.
Pengujian aplikasi berbasis android menggunakan metode black-box testing
menghasilkan nilai 100% tanpa error.
Kata Kunci: Anggrek, Identifikasi, Object Detection, YOLOv7, Android

Item Type: Thesis (['eprint_fieldopt_thesis_type_ut' not defined])
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Informatics Engineering
Depositing User: 58 lili haryanti
Date Deposited: 19 Aug 2024 04:14
Last Modified: 19 Aug 2024 04:14
URI: https://repository.unib.ac.id/id/eprint/20176

Actions (login required)

View Item
View Item

slot gacor terbaik

slot gacor terpercaya

Situs Resmi Bisawd

slot gacor 4d

Slot Terpercaya

Slot Gacor bet 200