Terro Tjandra, Juan (2025) Implementasi Deeplabv3+ untuk Segmentasi Semantic Kawasan Kebun Salak. Bachelor Thesis thesis, Universitas Multimedia Nusantara.
![]() |
PDF
HALAMAN_AWAL.pdf Download (406kB) |
![]() |
PDF
BAB_I.pdf Download (302kB) |
![]() |
PDF
BAB_II.pdf Download (367kB) |
![]() |
PDF
BAB_III.pdf Download (474kB) |
![]() |
PDF
BAB_IV.pdf Restricted to Registered users only Download (1MB) |
![]() |
PDF
BAB_V.pdf Download (61kB) |
![]() |
PDF
DAFTAR_PUSTAKA.pdf Download (122kB) |
![]() |
PDF
LAMPIRAN.pdf Restricted to Registered users only Download (802kB) |
Abstract
Komunitas Salak Mitra Turindo di Sleman, Yogyakarta, menghadapi tantangan serius dalam budidaya salak akibat serangan hama, terutama lalat buah, yang dapat merusak reputasi eksportir salak Indonesia. Negara tujuan ekspor, seperti Australia, memberlakukan standar karantina yang ketat. Jika lalat buah terdeteksi, ekspor dapat ditolak. Oleh karena itu, pengendalian hama ini sangat penting, salah satu metode yang digunakan untuk mengendalikan populasi hama lalat buah adalah Area-Wide Integrated Pest Management (AWIPM). Salah satu metode pengendalian yang efektif adalah menggunakan perangkap hama yang disisi dengan senyawa methyl eugenol untuk memikat lalat buah jantan. Berdasarkan AWIPM, penerapan metode pengendalian memerlukan pemantauan dua area, yaitu area yang ingin dikontrol populasi hamanya dan area sekitarnya yang disebut buffer zone. Untuk menerapkan AWIPM, diperlukan pengetahuan tentang area sekeliling area kontrol. Penggunaan kombinasi Machine learning dan drone dapat membantu penerapan perangkap dengan membuat peta sekeliling area kontrol yang akurat. Penelitian ini menggunakan data yang diperoleh dari kebun salak milik kelompok tani Sedyo Makmur dan Muda Jaya pada Juli 2024. Data tersebut akan digunakan sebagai dataset, dataset akan di label dan kemudian dipotong menjadi ukuran 256 x 265 pixel menggunakan library patchify. Dataset yang sudah diproses akan dibagi menjadi 3 dengan rasio 70/15/15 menjadi training set, validating set, dan testing set. Data akan gunakan untuk melatih model arsitektur DeepLabV3+ dengan backbone Xception, ResNet-101, dan EfficientNetB3. Model yang telah dilatih akan dievaluasi menggunakan metrik seperti F1-Score, IoU, precision, dan recall untuk menentukan model terbaik. Analisa hasil dari training semua model menentukan model dengan backbone Xception merupakan model terbaik dengan nilai IoU = 0.81961, Recall = 0.90891, dan F1-score = 0.85489. kemudian, Model akan digunakan untuk melakukan inferensi terhadap dataset testing.
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Keywords: | DeepLabV3+, Xception, ResNet-101, EfficientNetB3, Semantic Segmentation, Deep Learning, Machine learning |
Subjects: | ?? TK7885-7895 ?? |
Divisions: | Faculty of Engineering & Informatics > Computer Engineering |
SWORD Depositor: | Administrator UMN Library |
Depositing User: | Administrator UMN Library |
Date Deposited: | 02 Jul 2025 11:22 |
Last Modified: | 02 Jul 2025 11:22 |
URI: | https://kc.umn.ac.id/id/eprint/37632 |
Actions (login required)
![]() |
View Item |