Implementasi Algoritma YOLO untuk mendeteksi ular berbisa dan tidak berbisa

Siregar, Rizqi Ilham (2026) Implementasi Algoritma YOLO untuk mendeteksi ular berbisa dan tidak berbisa. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

	Text (COVER) 1_cover.pdf Download (143kB)
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (180kB) | Preview
Preview	Text (SURAT PERNYATAAN KARYA SENDIRI) 3_skbebasplagiarism.pdf Download (153kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftar isi.pdf Download (269kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (299kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (416kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (304kB) | 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 (207kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftar pustaka.pdf Restricted to Registered users only Download (185kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis ular berbisa dan tidak berbisa menggunakan algoritma YOLO11. Konflik antara manusia dan ular semakin meningkat akibat perubahan lingkungan seperti deforestasi dan urbanisasi, yang menyebabkan perpindahan habitat alami ular ke daerah permukiman. Ketidaktahuan masyarakat mengenai jenis ular dan cara penanganannya sering kali berujung pada tindakan berisiko dan kasus gigitan yang berbahaya. Oleh karena itu, diperlukan teknologi berbasis kecerdasan buatan untuk mendeteksi keberadaan dan jenis ular secara akurat dan cepat. Penelitian ini mengimplementasikan tiga skenario pelatihan model, yaitu YOLO11 versi nano, nano dengan hyperparameter tuning, dan versi medium. Hasil evaluasi menunjukkan bahwa model versi nano memperoleh precision sebesar 70,8%, recall 70,9%, mAP@0.5 sebesar 74,6%, dan mAP@0.5:0.95 sebesar 56,7%. Sementara itu, model nano dengan hyperparameter tuning memperoleh mAP@0.5 sebesar 71,5% dan mAP@0.5:0.95 sebesar 54,6%. Model versi medium menunjukkan performa terbaik dengan precision 81,7%, recall 72,5%, mAP@0.5 sebesar 80%, dan mAP@0.5:0.95 sebesar 65,9%. Dengan hasil ini, sistem deteksi ular diharapkan dapat digunakan dalam berbagai lingkungan, seperti perkebunan, pemukiman, dan fasilitas umum, guna meningkatkan keselamatan masyarakat serta mendukung upaya konservasi satwa liar.

Actions (login required)

View Item