Deteksi produk pangan perbasis augmented reality menggunakan YOLOv8n

Rochdiana, Fakhri Faishal (2026) Deteksi produk pangan perbasis augmented reality menggunakan YOLOv8n. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (Cover) Cover.pdf Download (71kB) | Preview
Preview	Text (Abstrak) Abstrak.pdf Download (27kB) | Preview
	Text (Lembar Pernyataan Karya Sendiri) Surat Pernyataan Karya Sendiri_compressed.pdf Restricted to Registered users only Download (269kB)
Preview	Text (Daftar Isi) Daftar Isi.pdf Download (437kB) | Preview
Preview	Text (BAB I) Bab I.pdf Download (271kB) | Preview
	Text (BAB II) Bab II.pdf Restricted to Registered users only Download (195kB)
Preview	Text (BAB III) Bab III (15).pdf Download (734kB) | Preview
	Text (BAB IV) Bab IV.pdf Restricted to Registered users only Download (767kB)
	Text (BAB V) Bab V.pdf Restricted to Registered users only Download (26kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf Restricted to Registered users only Download (150kB)
	Text (Lampiran) Lampiran.pdf Restricted to Repository staff only Download (601kB)

Abstract

Perkembangan teknologi Augmented Reality (AR) dan Computer Vision membuka peluang baru dalam penyampaian informasi secara interaktif. Penelitian ini bertujuan mengimplementasikan algoritma YOLOv8n pada aplikasi Augmented Reality berbasis Android untuk mendeteksi dan mengenali produk pangan olahan secara real-time. Dataset yang digunakan terdiri dari 11 kelas produk pangan olahan, yaitu Ayam Bawang, Cappucino, Chocolatos, Creamy Latte, Extra Hot, Korean Spicy, Malkist, Mocafrio, Sambal Belacan, Thai Chili, dan Wafello. Setiap citra diberikan anotasi bounding box menggunakan Roboflow, kemudian melalui proses pre-processing dan augmentasi data untuk meningkatkan ketahanan model. Model YOLOv8n dilatih menggunakan metode transfer learning dengan variasi epoch sebanyak 20, 40, 60, 80, dan 100 menggunakan Google Colaboratory. Hasil evaluasi menunjukkan bahwa model terbaik diperoleh pada pelatihan dengan 100 epoch, learning rate 0,0001, dan batch size 16. Model tersebut menghasilkan nilai mAP50-95 sebesar 94,01% serta mampu mencapai nilai akurasi, presisi, recall, dan F1-score sebesar 100% pada data pengujian. Model kemudian dikonversi ke format TensorFlow Lite (TFLite) dan diimplementasikan pada aplikasi Android berbasis AR. Hasil implementasi menunjukkan bahwa aplikasi mampu mendeteksi produk pangan olahan dan menampilkan informasi produk secara real-time. Meskipun terjadi penurunan performa dibandingkan hasil pengujian pada lingkungan pelatihan, model tetap mampu melakukan deteksi objek dengan baik pada perangkat mobile.

Actions (login required)

View Item