Komparasi Model Deteksi dan Penghitungan Objek Jeruk Mandarin (Citrus Reticulata Blanco cv Batu 55) dengan Label Tunggal dan Label Ganda Berbasis Convolutional Neural Network Menggunakan YOLOv7

Musahada, Lucky Candra and ST., M.Sc, Dr.Agr.Sc. Dimas Firmanda Al Riza and STP, M.Sc, Dr. Mochamad Bagus Hermanto (2023) Komparasi Model Deteksi dan Penghitungan Objek Jeruk Mandarin (Citrus Reticulata Blanco cv Batu 55) dengan Label Tunggal dan Label Ganda Berbasis Convolutional Neural Network Menggunakan YOLOv7. Sarjana thesis, Universitas Brawijaya.

Abstract

Komoditi jeruk merupakan hasil perkebunan buah-buahan terbesar ketiga di Indonesia dengan jumlah produksi mencapai 2,5 juta ton pada tahun 2021. Besarnya kebutuhan buah jeruk tidak sebanding dengan jumlah tenaga kerja yang semakin berkurang dan upah yang semakin meningkat dalam sektor pertanian. Pengembangan untuk mengoptimalkan budidaya jeruk terus dilakukan termasuk pada proses pemanenan dengan menggunakan robot. Untuk mencapai hal itu, diperlukan suatu model dalam mendeteksi objek yang dapat diterapkan pada sistem robot pemanen jeruk. Solusi yang ditawarkan dalam penelitian ini yaitu deteksi objek menggunakan arsitektur YOLO (You Only Look Once) generasi ketujuh yang mempunyai peforma baik dalam kecepatan deteksi dan tingkat presisi. Penelitian ini bertujuan membuat model deteksi objek buah jeruk menggunakan arsitektur YOLOv7. Metode penelitian dimulai dari tahap pengambilan 300 data citra dari pohon jeruk mandarin (Citrus reticulata Blanco cv Batu 55) menggunakan smartphone Redmi Note 10S. Kemudian, pengolahan citra dimulai dari pengecilan ukuran gambar (resize), segmentasi data dilakukan menggunakan makesense.ai, pembelajaran model dilakukan menggunakan jenis arsitektur YOLOv7 di Google Colaboratory dalam format Jupyter Notebook (.ipynb) berbasis python. Hasil model terbaik dalam penelitian ini yaitu jenis arsitektur YOLOv7 standar dengan label ganda. Hasil nilai dari model terbaik yaitu Mean Averege Precision (mAP50), Presisi, Recall, Skor-F1, dan R square berturut-turut sebesar 0,906; 0,850; 0,825; dan 0,837.

English Abstract

Citrus is Indonesia's third largest fruit plantation product with a total production of 2.5 million tons in 2021. The great demand for citrus fruits is not proportional to the decreasing number of workers and increasing wages in the agricultural sector. Developments to optimize citrus cultivation continues to be carried out, including robots' harvesting process. To achieve that, a model is needed in detecting objects that can be applied to the citrus harvesting robot system. The solution offered in this research is object detection using the seventh generation YOLO (You Only Look Once) architecture which has good performance in detection speed and precision level. This study aims to create a detection model for citrus fruit objects using the YOLOv7 architecture. The research method starts from the stage of taking 300 image data from trees of tangerine (Citrus reticulata Blanco cv Batu 55) using the Redmi Note 10S smartphone. Then, image processing starts with resizing, data segmentation is done using makesense.ai, power augmentation is done by mirroring technique, and model learning is created using YOLOv7 architecture in Google Collaboratory with Jupyter Notebook format (.ipynb) which is programmed by python based. The best model results in this study are the standard YOLOv7 architecture type with double labels. The results of the best model values are Mean Averege Precision (mAP50), Precision, Recall, F1-Score, and R square respectively, of 0.906; 0.850; 0.825; and 0.837.

Item Type:	Thesis (Sarjana)
Identification Number:	0522100486
Uncontrolled Keywords:	Convolutional Neural Network, Deteksi Objek, Jeruk Mandarin, YOLOv7, Convolutional Neural Network, Mandarin Oranges, Object Detection, YOLOv7
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	Sugeng Moelyono
Date Deposited:	17 May 2023 07:20
Last Modified:	17 May 2023 07:20
URI:	http://repository.ub.ac.id/id/eprint/199827

Text (DALAM MASA EMBARGO) Lucky Candra Musahada.pdf Restricted to Registered users only until 31 December 2024. Download (7MB)

Actions (login required)

View Item