Muhammad Ihsan Primary Author mixed material bibliography Banda Aceh Prog. Studi Magister Kecerdasan Buatan 2025

Theses

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. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 164811 2025-07-22 12:20:48 2025-07-22 15:05:31 machine generated