Implementasi Yolo Dalam Deteksi Tingkat Kematangan Buah Pisang

Amelia, Amelia (2025) Implementasi Yolo Dalam Deteksi Tingkat Kematangan Buah Pisang. Diploma thesis, Universitas Islam Indragiri.

	Text 403211010031_Amelia_01-Awal.pdf Download (1MB)
	Text 403211010031_Amelia_02-Bab1.pdf Download (495kB)
	Text 403211010031_Amelia_03-Bab2.pdf Download (483kB)
	Text 403211010031_Amelia_04-Bab3.pdf Download (593kB)
	Text 403211010031_Amelia_05-Bab4.pdf Restricted to Repository staff only Download (1MB)
	Text 403211010031_Amelia_06-Bab5.pdf Download (446kB)
	Text 403211010031_Amelia_07-Akhir.pdf Download (434kB)
	Text 403211010031_Amelia_Turnitin.pdf Download (467kB)

Abstract

Penentuan tingkat kematangan buah pisang merupakan aspek krusial dalam memastikan kualitas produk, baik untuk kebutuhan distribusi, konsumsi langsung, maupun pengolahan lanjutan. Ketidaktepatan dalam identifikasi kematangan dapat menyebabkan kerugian ekonomi, penurunan kualitas, dan pemborosan pasokan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis yang mampu mengklasifikasikan tingkat kematangan buah pisang menggunakan algoritma You Only Look Once (YOLO) versi 8. Dataset yang digunakan terdiri dari 7.400 gambar pisang, mencakup tiga jenis (kepok, lilin, barangan) dan empat kategori kematangan (mentah, matang, terlalu matang, busuk). Data diperoleh melalui kombinasi pengambilan langsung dan dataset publik. Tahapan prapemrosesan meliputi pelabelan dengan LabelImg, augmentasi (rotasi, flip, brightness/contrast), normalisasi, dan resize ke 640x640 piksel. Model YOLOv8n dilatih selama 100 epoch dengan rasio pembagian data 70% untuk pelatihan, 20% validasi, dan 10% pengujian. Hasil evaluasi menunjukkan akurasi 92%, precision 89,25%, recall 86,8%, dan [email protected] sebesar 91,6%. Sistem kemudian diimplementasikan dalam aplikasi berbasis Streamlit yang terdiri dari antarmuka input gambar, proses deteksi, dan visualisasi hasil. Penelitian ini membuktikan bahwa YOLOv8 efektif untuk klasifikasi kematangan buah pisang secara cepat dan akurat

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	YOLO, deteksi objek, pisang, kematangan buah, deep learning
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik dan Ilmu Komputer > Program Studi Sistem Informasi
Depositing User:	Nilam Sari
Date Deposited:	24 Oct 2025 03:26
Last Modified:	24 Oct 2025 03:26
URI:	http://repository.unisi.ac.id/id/eprint/871

Actions (login required)

View Item