Agus Nursalam Kitono Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Elektro dan Komputer 2026 id Indonesia

Theses

Radio frequency interference (RFI) pada sistem radar cuaca kerap menimbulkan distorsi pada citra, sehingga dapat menurunkan akurasi analisis meteorologi. Hingga saat ini, proses identifikasi gangguan masih dilakukan secara manual oleh operator, yang menimbulkan tantangan dari sisi konsistensi, kecepatan, dan skalabilitas. Penelitian ini berfokus pada implementasi beberapa varian You Only Look Once versi 12 (YOLOv12) serta perbandingannya dengan model Real-Time Detection Transformer (RT-DETR) dari pustaka Ultralytics untuk mendeteksi RFI secara otomatis. Berbeda dengan sebagian besar penelitian sebelumnya yang menggunakan dataset radar cuaca yang berasal dari luar negeri, penelitian ini membangun dataset representatif berbasis citra radar cuaca Indonesia, yang disusun dari contoh citra terganggu dan citra bersih agar lebih sesuai dengan karakteristik spektral serta kondisi operasional radar nasional. Model deep learning dilatih menggunakan dataset tersebut untuk meningkatkan akurasi deteksi sekaligus kemampuan adaptasi terhadap lingkungan radar indonesia. Evaluasi kinerja dilakukan menggunakan metrik precision, recall, mean average precision (mAP), F1-score, dan efisiensi komputasi guna mengidentifikasi pendekatan paling efektif untuk tugas deteksi RFI. Hasil penelitian menunjukkan bahwa seluruh varian YOLOv12 memiliki performa lebih unggul dibandingkan RT-DETR dalam mendeteksi RFI pada citra radar cuaca. Varian YOLOv12x memperoleh akurasi tertinggi dengan nilai mAP@0.5 sebesar 0,8269, sementara YOLOv12m dan YOLOv12l menawarkan keseimbangan yang baik antara akurasi dan efisiensi komputasi. Temuan ini mengindikasikan bahwa YOLOv12 merupakan solusi yang lebih andal dan efisien untuk kebutuhan pemantauan operasional radar cuaca. Kata kuci: Radio Frequency Inteference, Citra Radar Cuaca, Deep Learning, YOLOv12, RT-DETR RADAR RADAR - WEATHER REPORTING 621.384 8 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1708243 2026-01-14 16:02:48 2026-01-14 16:21:05 machine generated