Secaria, Shafa Dea (2026) Small object detection fine-grained pada skenario real-world menggunakan you only look once (YOLOV12). Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (178kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (222kB) | Preview |
|
|
Text (SK BEBAS PLAGIARISME)
3_skbebasplagiarism.pdf Download (928kB) | Preview |
|
|
Text (DAFTAR ISI)
4_daftarisi.pdf Download (281kB) | Preview |
|
|
Text (BAB I)
5_bab1.pdf Download (304kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
6_bab2.pdf Restricted to Registered users only Download (749kB) | Request a copy |
|
|
Text (BAB III)
7_bab3.pdf Restricted to Registered users only Download (335kB) | 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 (206kB) | Request a copy |
|
|
Text (DAFTAR PUSTAKA)
10_daftarpustaka.pdf Restricted to Registered users only Download (191kB) | Request a copy |
Abstract
Penelitian ini berada pada bidang Computer Vision, khususnya Small Object Detection (SOD). Pada industri farmasi, inspeksi kerusakan morfologi obat masih banyak dilakukan secara manual sehingga rentan terhadap human error, terutama pada kondisi small object detection dengan karakteristik fine-grained. Penelitian ini bertujuan menganalisis kinerja model You Only Look Once versi 12 (YOLOv12) dalam mendeteksi, menghitung jumlah objek (counting), dan mengklasifikasikan kerusakan morfologi obat. Penelitian mengadaptasi kerangka kerja CRISP-DM dengan memanfaatkan dataset hasil integrasi tiga dataset publik Roboflow dan dataset primer. Evaluasi dilakukan menggunakan dua skenario pembagian dataset, yaitu 80:10:10 dan 70:15:15, dengan metrik Precision, Recall, mAP@50, dan F1-Score. Hasil penelitian menunjukkan bahwa skenario 80:10:10 memberikan performa terbaik dengan Precision 75,31%, Recall 83,45%, mAP@50 sebesar 84,13%, dan F1-Score sebesar 79,17%. Secara keseluruhan, YOLOv12 mampu mendeteksi, menghitung jumlah objek, dan mengklasifikasikan objek obat berukuran kecil dengan karakteristik fine-grained pada kondisi real-world.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Computer Vision; Small Object Detection; Fine-Grained Object Detection; YOLOv12; Object Detection; Kerusakan Morfologi Obat; Real-World Scenario |
| Subjects: | Special Computer Methods > Artificial Intelligence Special Computer Methods > Computer Vision |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Shafa Dea Secaria |
| Date Deposited: | 12 Aug 2026 03:32 |
| Last Modified: | 12 Aug 2026 03:32 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/138180 |
Actions (login required)
 |
View Item |
