Object detection citra makanan bergizi menggunakan algoritma You Only Look Once (YOLO)

Algifari, Muhammad Gifa (2026) Object detection citra makanan bergizi menggunakan algoritma You Only Look Once (YOLO). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_Cover.pdf Download (222kB) | Preview
Preview	Text (ABSTRAK) 2_Abstrak.pdf Download (213kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_SKbebasplagiarism.pdf Download (184kB) | Preview
Preview	Text (DAFTAR ISI) 4_Daftar isi.pdf Download (260kB) | Preview
Preview	Text (BAB I) 5_BAB I.pdf Download (256kB) | Preview
	Text (BAB II) 6_BAB II.pdf Restricted to Registered users only Download (397kB)
	Text (BAB III) 7_BAB III.pdf Restricted to Registered users only Download (286kB)
	Text (BAB IV) 8_BAB IV.pdf Restricted to Registered users only Download (878kB)
	Text (BAB V) 9_BAB V.pdf Restricted to Registered users only Download (177kB)
	Text (DAFTAR PUSTAKA) 10_Daftar pustaka.pdf Restricted to Registered users only Download (189kB)

Abstract

Deteksi objek merupakan salah satu tugas fundamental dalam bidang computer vision yang bertujuan untuk mengidentifikasi serta menentukan lokasi objek di dalam citra. Performa model deteksi objek berbasis deep learning sangat bergantung pada ketersediaan data berlabel dalam jumlah besar, sementara proses anotasi manual pada deteksi objek memerlukan waktu, biaya, dan ketelitian yang tinggi. Kondisi ini menjadi tantangan utama dalam pengembangan sistem deteksi objek yang optimal, khususnya pada domain dengan keterbatasan data berlabel. Penelitian ini bertujuan untuk merancang model deteksi objek berbasis YOLOv8 dengan pendekatan Semi-Supervised Learning serta membuktikan bahwa pendekatan tersebut efektif dalam meningkatkan performa deteksi objek makanan pada kondisi data berlabel terbatas.Pendekatan yang digunakan mengombinasikan data berlabel untuk melatih teacher model dengan data tidak berlabel yang dimanfaatkan dalam pelatihan student model melalui mekanisme pseudo-labeling. Evaluasi kinerja dilakukan dengan membandingkan model supervised murni dan model SSL menggunakan metrik precision, recall, F1-score, mAP50, dan mAP50-95. Hasil pengujian menunjukkan bahwa pendekatan SSL memberikan peningkatan performa yang signifikan. Pada data validasi, model SSL mencapai nilai precision 0,94, recall 0,79, F1-score 0,86, mAP50 0,89, dan mAP50–95 0,61, sedangkan model supervised hanya mencapai precision 0,52, recall 0,48, dan F1-score 0,50. Pada data uji, model SSL memperoleh precision 0,86, recall 0,73, F1-score 0,79, mAP50 0,83, dan mAP50–95 0,58, yang menunjukkan kemampuan generalisasi yang baik. Hasil penelitian ini membuktikan bahwa pemanfaatan data tidak berlabel melalui pendekatan SSL efektif dalam meningkatkan akurasi dan kualitas lokalisasi objek pada sistem deteksi objek berbasis YOLOv8 dalam kondisi keterbatasan data berlabel.

Actions (login required)

View Item