Electronic Theses and Dissertation

Penelitian ini bertujuan untuk mengembangkan sistem deteksi objek berbasis deep learning menggunakan arsitektur yolov11 untuk mengidentifikasi jenis karung beras: "udang premium," "udang kuning," dan "udang hitam".inovasi penelitian ini terletak pada eksplorasi dampak dua metode anotasi berbeda, yaitu polygon dan bounding box, terhadap akurasi deteksi. dataset yang digunakan terdiri dari 169 gambar dengan 325 anotasi, yang awalnya menunjukkan ketidakseimbangan kelas signifikan, terutama pada kelas "udang kuning." model dilatih dan dievaluasi menggunakan metrik mean average precision (map), precision, dan recall. hasil eksperimen menunjukkan kinerja yang sangat baik, dengan map@50 mencapai 94% pada data validasi dan 97% pada data pengujian. deteksi per kelas menunjukkan average precision (ap) 100% untuk "udang kuning" dan "udang premium" pada data pengujian, serta 91% untuk "udang hitam." analisis confusion matrix mengkonfirmasi jumlah true positives yang tinggi dan false negatives yang minimal, meskipun terdapat beberapa false positives dan satu kasus misklasifikasi untuk kelas "udang hitam". perbandingan dengan metode deteksi objek lain, yaitu rf-detr (base) dan yolov12 (fast), menunjukkan bahwa yolov11 secara konsisten mengungguli keduanya dalam hal map@50 (93.8% vs. 92.2% dan 91.6%), precision (95.8% vs. 95.1% dan 93.5%), dan recall (92.6% vs. 81.0% dan 89.7%). hasil ini menegaskan bahwa yolov11 merupakan solusi yang sangat efektif untuk tugas deteksi karung beras, berpotensi meningkatkan otomatisasi, dan efisiensi dalam proses identifikasi dan penyortiran di industri terkait. kata kunci: deteksi objek, yolov11, karung beras, deep learning, computer vision.

This research aims to develop a deep learning-based object detection system using the YOLOv11 architecture to identify types of rice sacks: "Udang Premium," "Udang Kuning," and "Udang Hitam". The innovation of this study lies in exploring the impact of two different annotation methods, namely polygon and bounding box, on detection accuracy. The dataset comprised 169 images with 325 annotations, initially exhibiting significant class imbalance, particularly for the "Udang Kuning" class. The model was trained and evaluated using mAP (mAP), Precision, and Recall metrics. Experimental results demonstrate excellent performance, with mAP@50 reaching 94% on the data validasi and 97% on the data pengujian. Per-class detection showed an Average Precision (AP) of 100% for "Udang Kuning" and "Udang Premium" on the data pengujian, and 91% for "Udang Hitam." Confusion Matrix analysis confirmed a high number of True Positives and minimal False Negatives, although some False Positives and one misclassification case were observed for the "Udang Hitam" class. A comparison with other object detection methods, namely RF-DETR (Base) and YOLOv12 (Fast), revealed that YOLOv11 consistently outperformed both in terms of mAP@50 (93.8% vs. 92.2% and 91.6%), Precision (95.8% vs. 95.1% and 93.5%), and Recall (92.6% vs. 81.0% and 89.7%). These findings affirm that YOLOv11 is a highly effective solution for rice sack detection, with the potential to enhance automation, and efficiency in identification and sorting processes within related industries. Keywords: Object Detection, YOLOv11, Rice Sacks, Deep Learning, Computer Vision.