Segmentasi area panel informasi nilai gizi pada kemasan produk menggunakan YOLOv8-Seg

Ardianto, Muhamad Fazar Rizky (2026) Segmentasi area panel informasi nilai gizi pada kemasan produk menggunakan YOLOv8-Seg. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (229kB) | Preview
Preview	Text 2_abstrak.pdf Download (178kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (514kB) | Preview
Preview	Text 4_daftarisi.pdf Download (2MB) | Preview
Preview	Text 5_bab1.pdf Download (308kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (737kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (751kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (192kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (186kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (75kB) | Request a copy

Abstract

Informasi gizi pada kemasan produk berperan penting dalam membantu konsumen memilih produk sesuai kebutuhan nutrisi. Namun, penemuan area panel informasi gizi secara otomatis pada citra kemasan produk menghadapi tantangan berupa tata letak yang tidak terstruktur dan kondisi visual menantang seperti glare, pencahayaan rendah, dan distorsi perspektif. Pendekatan deteksi objek berbasis bounding box yang umum digunakan pada penelitian sebelumnya juga kurang presisi, karena kotak pembatas persegi panjang cenderung menyertakan area latar belakang yang bukan bagian dari panel gizi, terutama pada citra yang diambil dari sudut miring. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi kinerja model YOLOv8-Seg dalam mensegmentasi area panel informasi gizi pada kemasan produk. Metode penelitian mengikuti tahapan CRISP-DM, menggunakan dataset sebanyak 2.000 citra yang terdiri dari 1.800 citra dari Open Food Facts dan 200 citra data primer kemasan produk Indonesia, dengan pembagian data 80:10:10. Sebelum pelatihan, citra melalui tahapan preprocessing berupa CLAHE untuk mengatasi glare dan gamma correction untuk mengatasi pencahayaan rendah. Model YOLOv8m-Seg dilatih selama 100 epoch menggunakan platform Kaggle dengan akselerator GPU Tesla T4. Hasil evaluasi pada data uji menunjukkan performa yang sangat baik, dengan nilai Precision sebesar 1,0000, Recall sebesar 0,9879, F1 Score sebesar 0,9939, mAP@0,5 sebesar 0,9950, mAP@0,5:0,95 sebesar 0,9140, dan Mean IoU sebesar 0,9306. Model juga menunjukkan kecepatan inferensi rata-rata sebesar 64,8 milidetik per citra atau setara 15,4 frame per second, yang menunjukkan potensi penerapan pada skenario yang mendekati waktu nyata. Hasil ini mengonfirmasi bahwa pendekatan instance segmentation menggunakan YOLOv8-Seg mampu menghasilkan area segmentasi yang presisi mengikuti bentuk asli panel informasi gizi, sekaligus menjadi alternatif yang lebih baik dibandingkan pendekatan bounding box konvensional.

Actions (login required)

View Item