Analisis Performa Algoritma Yolov5 Dalam Mendeteksi Jeruk Pada Pohon Varietas Siam Pontianak dan Keprok Terigas

Huda., Surya and Dr. Agr. Sc. Ir. Dimas Firmanda Al Riza,, ST., M.Sc, IPM and Inggit Kresna Maharsih,, S.T., M.Sc. (2023) Analisis Performa Algoritma Yolov5 Dalam Mendeteksi Jeruk Pada Pohon Varietas Siam Pontianak dan Keprok Terigas. Sarjana thesis, Universitas Brawijaya.

Abstract

RINGKASAN Tanaman jeruk merupakan tanaman buah yang bersifat tahunan dan banyak dibudidayakan. Budidaya jeruk tidak lepas dari aktivitas berupa monitoring kondisi tanaman dan pertumbuhan buah. Kegiatan tersebut dilakukan untuk dapat memprediksi masa panen puncak, prediksi yield atau load kematangan buah jeruk. Monitoring buah jeruk masih dilakukan secara manual dengan cara mengukur diameter buah jeruk secara acak menggunakan jangka sorong digital per pohon, bounding box untuk menghitung yield atau load buah jeruk pada pohon, dan mencatat hasil yang didapatkan secara manual. Pengembangan untuk optimalisasi budidaya jeruk masih terus dilakukan pada proses pemanenan. Untuk mencapai hal tersebut, diperlukan model dalam mendeteksi objek yang dapat diterapkan pada sistem otomatisasi pemanen jeruk. Solusi yang ditawarkan yaitu deteksi objek dengan menggunakan arsitektur You Only Look Once (YOLO) pada generasi kelima yang memiliki performa baik dalam kecepatan dan tingkat presisi. Penelitian ini berrtujuan untuk mengetahui proses analisis performa dari YOLOv5 dan membandingkan performanya dalam deteksi varietas Siam Pontianak dan Keprok Terigas. Penelitian dimulai dari tahap pengambilan 340 citra dari pohon jeruk Siam Pontianak menggunakan gawai Redmi Note 10s. Selanjutnya, citra yang telah diperoleh diperkecil ukuran gambar (resize), segmentasi data dilakukan menggunakan makesense.ai, pembelajaran model dilakukan menggunakan jenis arsitektur YOLOv5 pada Google Colaboratory dengan Bahasa Phyton. Hasil model terbaik dari varietas Siam Pontianak didapatkan dari label tunggal. Hasil nilai model terbaik didapatkan dari nilai Mean Average Precision (mAP50), akurasi, presisi, recall, dan skor-F1 berturut-turut sebesar 0,88; 0,712; 0,853; 0,822; dan 0,8372. Selain itu model terbaik berlaku pada varietas Keprok Terigas juga dari label tunggal. Hasil nilai model terbaik didapatkan dari nilai Mean Average Precision (mAP50), akurasi, presisi, recall, dan skor-F1 berturut-turut sebesar 0,933; 0,75; 0,913; 0,878; dan 0,8951.

English Abstract

SUMMARY Citrus is a fruit plant that is annual and widely cultivated. Citrus cultivation cannot be separated from activities in the form of monitoring plant conditions and fruit growth. This activity is carried out to be able to predict the peak harvest period, predictions yield orload ripeness of oranges. Monitoring of citrus fruits is still done manually by measuring the diameter of the oranges randomly using a digital caliper per tree-bounding box to count yield or load citrus fruit on the tree, and record the results obtained manually. Development to optimize citrus cultivation is still being carried out in the harvesting process. To achieve this, a model is needed to detect objects that can be applied to an orange harvester automation system. The solution offered is object detection using the You Only Look Once (YOLO) architecture in the fifth generation which has good performance in speed and precision. This study aims to determine the performance analysis process of YOLOv5 and to compare its performance in the detection of Siam Pontianak and Keprok Terigas varieties. The research started from the stage of taking 340 images of the Siam Pontianak orange tree using the Redmi Note 10s device. Furthermore, the image that has been obtained is reduced in image size (resize), data segmentation is performed usingmakesense.ai, model learning is done using the YOLOv5 architecture type on Google Colaboratory in Python. The best model results from the Siam Pontianak variety were obtained from a single label. The best model value results are obtained from the value Mean Average Precision (mAP50), accuracy, precision, recall, and a successive F1-score of 0.88; 0,712; 0.853; 0.822; and 0.8372. In addition, the best model applies to the Terigas Tangerine variety also from a single label. The best model value results are obtained from the value Mean Average Precision (mAP50), accuracy, precision, recall, and consecutive F1 scores of 0.933; 0,75; 0.913; 0.878; and 0.8951.

Item Type:	Thesis (Sarjana)
Identification Number:	052310
Uncontrolled Keywords:	Deep Learning, YOLOv5, Siam Pontianak, Keprok Terigas
Divisions:	Fakultas Teknologi Pertanian > Teknologi Industri Pertanian
Depositing User:	Unnamed user with username saputro
Date Deposited:	16 Jan 2024 00:26
Last Modified:	16 Jan 2024 00:26
URI:	http://repository.ub.ac.id/id/eprint/210496

Text (DALAM MASA EMBARGO) Surya Huda.pdf Restricted to Registered users only until 31 December 2025. Download (3MB)

Actions (login required)

View Item