Deteksi Kesegaran Daging Sapi Menggunakan Yolo

Akhmadin, Raihan Mar’ie (2025) Deteksi Kesegaran Daging Sapi Menggunakan Yolo. Skripsi thesis, Universitas Tanjungpura.

	Text (Cover-Bab1) Cover-Bab1_D1041181021.pdf - Published Version Download (524kB)
	Text (D1041181021_RAIHAN MAR'IE AKHMADIN) D1041181021_RAIHAN MAR'IE AKHMADIN.pdf - Accepted Version Restricted to Repository staff only Download (5MB)

Abstract

Daging merupakan salah satu sumber protein hewani. Makanan yang mengandung protein membantu tubuh dalam rangka menjaga fungsi organ yang terdapat di dalamnya. Dalam aspek pengolahan daging sapi, menjaga kualitas dan kesegaran produk sangat penting untuk menjaga kesehatan konsumen serta memastikan kepuasan pelanggan. Pembuatan model berbasis object detection dapat diterapkan sebagai solusi untuk mengidentifikasi kesegaran daging sapi. Tujuan utama dari penelitian ini adalah untuk mengetahui apakah model YOLO dapat digunakan untuk mendeteksi kesegaran daging sapi dari citra daging sapi, yang mana masalah ini juga termasuk dalam masalah klasifikasi. Versi YOLO yang digunakan pada penelitian ini adalah YOLOv8n, YOLOv7 tiny, dan YOLOv5n. Dilakukan tiga skenario evaluasi pada model, yakni dengan citra daging sapi yang langsung diambil dari perangkat ponsel cerdas tanpa dilakukan preprocessing untuk skenario pertama, dilakukan preprocessing berupa cropping dan resizing untuk skenario kedua, dan dilakukan pengujian menggunakan citra yang sama namun dengan perubahan HSL. Metrik evaluasi Accuracy digunakan untuk menilai kemampuan klasifikasi dari ketiga model, dan metrik Mean Average Precision digunakan untuk mengukur performa object detection dari ketiga model yang dievaluasi. Dari hasil penelitian yang dilakukan, proses preprocessing berupa cropping dan resizing pada citra daging sapi sangat berpengaruh terhadap performa dari ketiga model yang diuji, dimana performa dari ketiga model naik lebih dari 700% pada skenario evaluasi kedua. Proses perubahan HSL juga sangat berpengaruh terhadap hasil deteksi dari ketiga model. Model dengan performa klasifikasi paling baik pada skenario pengujian pertama dan kedua adalah YOLOv8n, dengan nilai accuracy sebesar 5,66% pada pengujian skenario pertama dan 47,32% pada skenario pengujian kedua. Model dengan performa object detection paling baik pada skenario evaluasi pertama adalah YOLOv8n dengan mAP 0.5 sebesar 0.044, sedangkan model dengan performa paling baik pada skenario evaluasi kedua adalah YOLOv7-tiny dengan mAP 0.5 sebesar 0.457. Meskipun terdapat peningkatan performa, ketiga model YOLO masih belum mampu untuk menjadi solusi permasalahan pada penelitian ini

Actions (login required)

View Item