Implementasi YOLOv5 untuk Deteksi dan Perhitungan Otomatis Jumlah Lalat Buah pada Tanaman Salak

Desri Wahyuni, Indah (2025) Implementasi YOLOv5 untuk Deteksi dan Perhitungan Otomatis Jumlah Lalat Buah pada Tanaman Salak. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] PDF
HALAMAN_AWAL.pdf

Download (925kB)
[img] PDF
BAB_I.pdf

Download (482kB)
[img] PDF
BAB_II.pdf

Download (948kB)
[img] PDF
BAB_III.pdf

Download (961kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (1MB)
[img] PDF
BAB_V.pdf

Download (266kB)
[img] PDF
DAFTAR_PUSTAKA.pdf

Download (370kB)
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (4MB)

Abstract

Kelompok Tani Mitra Turindo di Sleman, Yogyakarta, adalah komunitas petani salak sekaligus eksportir terbesar di wilayah tersebut yang sedang menghadapi tantangan serangan hama lalat buah. Sebagai bagian dari prosedur ekspor, dilakukan pelaporan mingguan untuk mengetahui sebaran lalat buah berdasarkan jumlah tangkapan. Namun, proses perhitungan lalat buah secara manual sangat memakan waktu, sehingga banyak petani enggan melakukannya. Penelitian ini bertujuan untuk mengembangkan sistem otomatis yang dapat mendeteksi dan menghitung jumlah lalat buah menggunakan metode deep learning. Penelitian ini menggunakan dataset primer yang terdiri dari 6.156 gambar yang dikumpulkan langsung dari lahan pertanian milik Kelompok Tani Mitra Turindo. Dataset terbagi menjadi dua jenis, yaitu dataset internal yang dikumpulkan secara mandiri dan dataset eksternal yang diperoleh dari laporan petani. Proses anotasi dilakukan dengan dua kelas label: "0" untuk gambar lalat yang menggumpal dan "1" untuk individu lalat. Tahapan preprocessing mencakup konversi format file, resize, dan splitting dataset. Performa model Yolov5s untuk deteksi objek pada dataset internal menghasilkan nilai presisi (P) sebesar 0,655, recall (R) 0,582, dan [email protected] 0,619. Sementara pada dataset eksternal, nilai P sebesar 0,421, R 0,365, dan [email protected] 0,343. Metric evaluasi counting object pada dataset internal menghasilkan nilai Average Detection Accuracy (ADA) sebesar 0,848, Average Precision (AP) sebesar 0,822, F1-Score 0,83, dan Mean Absolute Error (MAE) 5,421. Pada dataset eksternal, nilai ADA sebesar 0.8148 , AP 0,7676, F1-Score 0,8454, dan MAE 2,33. Waktu prediksi pada Google Colab untuk dataset internal rata-rata 11,42 ms dan 10,56 ms untuk dataset eksternal. Meskipun terdapat perbedaan waktu prediksi, selisih ini masih dalam batas wajar, yang menunjukkan bahwa model ini memiliki performa yang baik, efisien, dan ringan, sehingga cocok digunakan dalam aplikasi berbasis real-time.

Item Type: Thesis (Bachelor Thesis)
Keywords: Lalat Buah Salak, Deep Learning, Sistem Deteksi, Sistem Perhitungan Otomatis, YOLOv5
Subjects: ?? TK7885-7895 ??
Divisions: Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 05 Jul 2025 11:27
Last Modified: 05 Jul 2025 11:27
URI: https://kc.umn.ac.id/id/eprint/37801

Actions (login required)

View Item View Item