Implementasi YOLOv5 berbasis Deep Learning dalam membangun model pegenalan citra untuk deteksi noda pada permukaan telur

Fadillah, Daffa Rhauda (2025) Implementasi YOLOv5 berbasis Deep Learning dalam membangun model pegenalan citra untuk deteksi noda pada permukaan telur. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (230kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (205kB) | Preview
Preview	Text (BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (1MB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (216kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (438kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (785kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (174kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (171kB) | Request a copy
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (676kB) | Request a copy

Abstract

Telur ayam merupakan salah satu bahan pangan hewani yang banyak dikonsumsi masyarakat dan memerlukan kondisi visual yang baik sebelum didistribusikan ke konsumen. Salah satu indikator penting dari tampilan visual telur adalah keberadaan noda pada permukaan cangkang. Penelitian ini bertujuan untuk membangun dan mengevaluasi model klasifikasi citra telur ayam berdasarkan keberadaan noda menggunakan arsitektur You Only Look Once version 5 for classification (YOLOv5s-cls), yaitu varian ringan dari YOLOv5 yang dirancang untuk tugas klasifikasi gambar. Dataset yang digunakan terdiri dari 308 citra asli, yang berasal dari data primer dan sekunder, kemudian diperluas melalui proses augmentasi menjadi 770 citra untuk setiap kelas (telur bernoda dan telur bersih), sehingga total keseluruhan dataset mencapai 1.540 citra. Data dibagi ke dalam tiga skenario proporsi: 60/20/20, 70/10/20, dan 80/10/10 untuk pelatihan, validasi, dan pengujian. Proses pelatihan dilakukan selama 25 epoch dengan konfigurasi hyperparameter yang mendukung pembelajaran model secara stabil dan efektif. Berdasarkan hasil evaluasi, model menunjukkan performa klasifikasi yang sangat baik. Skenario 80/10/10 memberikan hasil terbaik dengan akurasi Top-1 mencapai 100% dan nilai F1-score sebesar 0,93. Sementara itu, skenario 70/10/20 mencatat nilai train loss dan test loss paling rendah, yaitu masing-masing sebesar 0,237 dan 0,215, serta F1-score yang tinggi dan seimbang sebesar 0,92. Adapun skenario 60/20/20 menunjukkan performa relatif lebih rendah dengan F1-score sebesar 0,90.

Actions (login required)

View Item