Electronic Theses and Dissertation

Hama tikus menimbulkan kerusakan aset, kerugian ekonomi, serta ancaman terhadap ketahanan pangan dan kesehatan manusia, sementara metode pengendalian konvensional seperti perangkap, rodentisida, dan pemantauan manual kurang efisien pada skala besar dan belum mendukung pemantauan secara real-time. pendekatan visi komputer konvensional juga terkendala kompleksitas lingkungan, seperti pencahayaan rendah, oklusi, dan objek berukuran kecil. penelitian ini menganalisis dan mengevaluasi kinerja arsitektur yolo series yang mencakup yolov13 untuk deteksi hama tikus berbasis citra rgb pada lingkungan kompleks, diikuti dengan membandingkannya secara terkendali dengan yolov11 dan yolov5. seluruh varian model dilatih pada dataset publik hama tikus satu kelas menggunakan bobot pretrained, augmentasi data, dan konfigurasi hyperparameter yang sama selama 100 epoch, lalu dievaluasi secara kualitatif dan kuantitatif melalui precision, recall, f1-score, mean average precision (map@0.5 dan map@0.5:0.95), serta kecepatan inferensi. hasil pengujian menunjukkan yolov13 mendeteksi dan melokalisasi objek tikus dengan baik, mencapai map@0.5 hingga 0,908 pada varian small dan ketepatan pelokalan tertinggi (map@0.5:0.95 sebesar 0,828) pada varian large. keunggulan yolov13 paling menonjol pada metrik pelokalan ketat dibanding yolov11 dan yolov5, sedangkan pada map@0.5 ketiga generasi nyaris setara dengan nilai tertinggi pada yolov11l sebesar 0,916. ditemukan pula trade-off antara akurasi, ukuran model, dan kecepatan: yolov13n paling efisien dengan map@0.5:0.95 sebesar 0,809 menggunakan 2,45 juta parameter dan waktu inferensi 6,7 milidetik, sementara yolov13l menaikkan ketepatan pelokalan dengan ongkos kecepatan hingga 42,5 milidetik. dengan demikian, melalui hasil benchmark terkendali yang mengintegrasikan evaluasi kemampuan deteksi, kompleksitas model, dan efisiensi inferensi pada sembilan varian yolo menetapkan yolov13 sebagai model baseline dalam deteksi hama tikus. berdasarkan hasil tersebut, yolov13n direkomendasikan untuk sistem pemantauan dengan sumber daya terbatas, sedangkan yolov13l lebih sesuai untuk aplikasi yang memprioritaskan ketepatan pelokalan. hasil penelitian ini dapat menjadi dasar pengembangan sistem pemantauan hama tikus secara berkelanjutan, meskipun ketahanan model terhadap pencahayaan rendah dan oklusi masih perlu ditingkatkan.

Rat pests cause asset damage, economic losses, and threats to food security and human health, while conventional control methods such as traps, rodenticides, and manual monitoring are inefficient at large scale and do not support real-time monitoring. Conventional computer vision approaches are also constrained by environmental complexity, such as low lighting, occlusion, and small-sized objects. This study evaluates the performance of YOLO-series architectures, with a focus on YOLOv13, for RGB image-based rat pest detection in complex environments through a controlled comparison with YOLOv11 and YOLOv5. All model variants were trained on a public single-class rat pest dataset using pretrained weights, data augmentation, and identical hyperparameter configurations for 100 epochs, then evaluated both qualitatively and quantitatively using precision, recall, F1-score, mean Average Precision (mAP@0.5 and mAP@0.5:0.95), and inference speed. The results show that YOLOv13 detects and localizes rat objects well, achieving mAP@0.5 of up to 0.908 on the small variant and the highest localization accuracy (mAP@0.5:0.95 of 0.828) on the large variant. The advantage of YOLOv13 is most pronounced on the stricter localization metric compared with YOLOv11 and YOLOv5, whereas on mAP@0.5 the three generations are nearly equal, with the highest value on YOLOv11l at 0.916. A clear trade-off was also found among accuracy, model size, and speed: YOLOv13n is the most efficient, reaching mAP@0.5:0.95 of 0.809 using only 2.45 million parameters and an inference time of 6.7 milliseconds, while YOLOv13l increases localization accuracy at a speed cost of up to 42.5 milliseconds. Overall, evaluating detection performance, model complexity, and inference efficiency across nine YOLO variants establishes YOLOv13 as a baseline for rat pest detection. YOLOv13n suits resource-constrained monitoring, whereas YOLOv13l prioritizes localization accuracy, providing a foundation for continuous monitoring systems, although robustness to low-light conditions and occlusion requires further improvement.