Implementasi Deep Learning menggunakan YOLOv8 Instance Segmentation untuk Perhitungan serta Identifikasi Jenis Spesies Bakteri dan Mikroalga

Kogitans, Audynalia and Mochamad Nurcholis,, STP., MP., Ph.D and Dr.Agr.Sc Dimas Firmanda Al Riza,, ST., M.Sc. IPM (2024) Implementasi Deep Learning menggunakan YOLOv8 Instance Segmentation untuk Perhitungan serta Identifikasi Jenis Spesies Bakteri dan Mikroalga. Sarjana thesis, Universitas Brawijaya.

Abstract

Bakteri dan mikroalga merupakan jenis mikroorganisme yang berperan penting dalam bidang mikrobiologi dan pangan. Keberadaan bakteri dapat digunakan sebagai indikator keamanan pangan, sedangkan mikroalga merupakan superfood yang kaya akan kandungan gizi. Perhitungan serta identifikasi bakteri dan mikroalga penting untuk mengetahui jumlah dan spesies. Perhitungan pada bakteri yang umum digunakan menggunakan metode Total Plate Count (TPC) dengan menghitung koloni bakteri pada cawan menggunakan alat colony counter. Sementara pada mikroalga dilakukan dengan bantuan mikroskop dan hemositometer. Proses tersebut memerlukan ketelitian tinggi sehingga memerlukan waktu lama. Prosesnya yang manual berakibat pula pada resiko kesalahan hitung yang sangat tinggi. Dibutuhkan sistem deteksi untuk perhitungan agar proses dapat berlangsung secara cepat dan efisien. Dengan kemajuan teknologi pada saat ini memungkinkan untuk perhitungan mikroorganisme secara otomatis. Penelitian ini menerapkan deep learning dengan algoritma YOLOv8 Instance Segmentation dengan merancang model agar diperoleh akurasi tinggi dan hasil yang akurat. Dengan begitu proses perhitungan serta identifikasi dapat berlangsung secara cepat dan tepat. Fokus pada penelitian ini adalah perhitungan serta identifikasi pada empat spesies bakteri (Bacillus subtilis, Escherichia coli, Pseudomonas aeruginosa dan Staphylococcus aureus) dan dua spesies mikroalga (Chlorella vulgaris. dan Spirulina platensis.). Kombinasi hyperparameter menggunakan optimizer SGD, Adam dan RMSProp dengan learning rate 0,01, 0,001, dan 0,0001. Metode penelitian ini diawali dengan tahap pengambilan dataset bakteri yang ditumbuhkan pada cawan dan dataset mikroalga yang diperoleh dari mikroskop. Dilakukan augmentasi pada masing-masing dataset sehingga didapatkan data yang bervariasi. Data dilatih dengan YOLOv8 nano segmentation pada batch size 32, epoch 50 dan ukuran piksel gambar 640x640. Hasil pelatihan model dievaluasi hasil latih dan kinerja model pada data gambar uji. Kombinasi terbaik pada data bakteri adalah optimizer Adam dan learning rate 0,01 dengan nilai mAP@50 0,904. Kombinasi terbaik pada data mikroalga adalah optimizer SGD dan learning rate 0,01 dengan nilai mAP@50 0,858. Kinerja model pada kombinasi terbaik tersebut dapat menghitung dan mendeteksi objek secara akurat saat diuji pada gambar uji.

English Abstract

Bacteria and microalgae are types of microorganism that play an important role in the fields of microbiology and food. The presence of bacteria can be used as an indicator of food safety, while microalgae is a superfood rich in nutritional content. The calculation and identification of bacteria and microalgae are important for determining the number and species. Calculations in commonly used bacteria use the Total Plate Count (TPC) method by calculating the bacterial colonies of the chalice using the colony counter. Meanwhile, microalgae is done with the help of microscopes and hemocytometers. This process requires high precision and takes a long time. The manual process also results in a very high risk of miscalculation. It requires a detection system for calculation so that the process can proceed quickly and efficiently. With technological advances today it is possible to automatically calculate microorganisms. This study implements deep learning with the YOLOv8 Instance Segmentation algorithm by designing models for high accuracy and accurate results. Thus the process of calculation and identification can take place quickly and precisely. The focus of this research is the calculation and identification of four bacterial species (Bacillus subtilis, Escherichia coli, Pseudomonas aeruginosa dan Staphylococcus aureus) and two species of microalgae (Chlorella vulgaris. dan Spirulina platensis). The hyperparameter combination uses SGD, Adam and RMSProp optimizers with learning rates of 0.01, 0.001, and 0.0001. This method of research begins with the retrieval of a dataset of bacteria grown on a chalice and a dataset of microalgae obtained from a microscope. Augmentation is performed on each dataset so that the data is varied. Data are trained with YOLOv8 nano segmentation on batch size 32, epoch 50 and pixel size images 640x640. The model training results evaluated the training results and model performance on the test image data. The best combination of the bacterial data is the Adam optimizer and the learning rate of 0.01 with an mAP@50 0.904. The best combination of microalgae data is SGD optimizer and learning rate 0.01 with mAP@50 0.858. The model's performance in the best combination can accurately calculate and detect objects when tested on test images.

Item Type:	Thesis (Sarjana)
Identification Number:	052410
Uncontrolled Keywords:	bakteri, deep learning, mikroalga, YOLOv8 Instance Segmentation
Divisions:	Fakultas Teknologi Pertanian > Teknologi Hasil Pertanian
Depositing User:	Unnamed user with username nova
Date Deposited:	05 Mar 2024 06:30
Last Modified:	05 Mar 2024 06:30
URI:	http://repository.ub.ac.id/id/eprint/216840

Text (DALAM MASA EMBARGO) Audynalia Kogitans.pdf Restricted to Registered users only Download (4MB)

Actions (login required)

View Item