Pengembangan Sistem Penghitungan Semangka Berbasis Kecerdasan Buatan Menggunakan Algoritma YOLO
Tahun 2026 · Penulis: Helena Pangastuti
Faculty of Agricultural Technology, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12799
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Pengembangan Sistem Penghitungan Semangka Berbasis Kecerdasan Buatan Menggunakan Algoritma YOLO
Perhitungan semangka yang akurat memainkan peran penting dalam pertanian presisi, terutama untuk menghasilkan estimasi, perencanaan panen, dan manajemen distribusi pasca-peserta. Dalam kondisi praktis bidang, jumlah semangka sebagian besar masih dilakukan melalui estimasi visual manual, yang menghabiskan waktu, rentan terhadap kesalahan manusia, dan tidak efisien untuk daerah pertanian besar. Untuk mengatasi keterbatasan ini, penelitian ini mengembangkan sebuah kecerdasan buatan berbasis otomatis sistem perhitungan semangka menggunakan algoritma deteksi objek dari Anda Hanya Melihat Sekali (YOLO). Gambar udara dikumpulkan dengan kendaraan udara tak berawak (UAV) di daerah penanaman semangka di PT. Benih Barat Timur Indonesia. Gambar yang ditangkap diproses menjadi gambar ortomosaic untuk memastikan konsistensi geometris dan ukuran spasial seragam. Data ortomosaic kemudian dinotasi menggunakan QGIS dan dicairkan ke 640×640 pixel image patch untuk memenuhi persyaratan masukan model berbasis YOLO. Totalnya, 900 gambar berisi 10.893 benda semangka bernostalgia digunakan untuk pelatihan model dan evaluasi. Penelitian ini membandingkan kinerja YOLOv8, YOLOv9, YOLOv10, dan YOLOv11 berdasarkan presisi, ingat, mAP@50, mAP@50-95, pengolahan waktu, dan stabilitas kinerja di garis lintang penerbangan UAV yang berbeda. Hasil percobaan menunjukkan bahwa YOLOv8 secara konsisten mencapai kinerja yang paling stabil, khususnya dalam mendeteksi benda-benda kecil semangka pada ketinggian penangkapan yang lebih tinggi, seperti ditunjukkan oleh nilai presisi yang lebih tinggi dan daya ingat dengan deviasi standar yang lebih rendah. Sebaliknya, YOLOv9 mempertunjukkan variabilitas kinerja yang lebih besar di bawah perubahan skala objek. Secara keseluruhan, YOLOv8 adalah model yang paling cocok untuk menerapkan sistem penghitungan semangka berbasis otomatis UAV. Sistem yang diusulkan mendukung manajemen pertanian berbasis data dan berkontribusi pada kemajuan pertanian presisi.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,815
Tahun 2025 · Penulis: Teguh Efendi
Pengembangan Aplikasi Android Untuk Deteksi Kondisi Buah Kakao Berbasis Deep Learning Dengan Algoritma Yolo V8
Kakao (Theobroma cacao) merupakan salah satu komoditas perkebunan penting yang memiliki nilai ekonomi tinggi, khususnya sebagai bahan baku utama dalam industri cokelat dunia. Indonesia menempati urutan ke-12 sebagai eksportir kakao global dengan kontribusi seb
- Cosine 0,813
Tahun 2026 · Penulis: Muhammad Alviyo Zaki Athallah
Rancang Bangun Sistem Penghitung Telur Ayam Otomatis Menggunakan Algoritma YOLO Berbasis Iot Guna Meningkatkan Efisiensi Waktu Peternak
Pengelolaan pemanenan telur pada peternakan ayam petelur sistem umbaran (*free-range*) berskala kecil hingga menengah umumnya masih dilakukan secara manual, sehingga rentan terhadap kesalahan manusia (*human error*) dan menyulitkan peternak dalam memprediksi f
- Cosine 0,808
Tahun 2025 · Penulis: Siti Khoirun Nisak
Optimasi YOLOV8 Menggunakan Convnext-V2 dan Eca pada Deteksi Tingkat Kematangan Buah Kopi
Indonesia merupakan negara penghasil kopi terbesar keempat di dunia setelah Brasil, Vietnam, dan Kolombia, dengan produksi mencapai 758,7 ribu ton dan luas areal perkebunan sebesar 1.266,85 ribu hektar (BPS, 2023). Komoditas kopi memiliki peranan penting dalam