Halaman Data Jurnal
| Judul Jurnal | Klasifikasi Kematangan Buah Sawit Berbasis YOLO v5 |
|---|---|
| Nama Lengkap | SANDY DWI CAHYO |
| Nama Pembimbing 1 | Rudi Kurniawan S.T, M.Kom |
| Nama Pembimbing 2 | A.taqwa Martadinata M.Kom |
| Abstrak Jurnal | Pengenalan dan pendeteksian objek pada Computer Vision saat ini berkembang pesat dan mulai diterapkan di berbagai bidang, dari industri hingga medis. Hal ini dapat dilihat dari berbagai macam riset yang meluas, sebagian berfokus pada penerapan dan penyesuaian Machine Learning, sedangkan sebagiannya hanya berfokus pada pengembangan model baru guna menjawab permasalahan dan tantangan spesifik. Dalam industri sawit, Tingkat kematangan dilabeli dalam dua kelas yaitu mentah dan matang, Secara umum, penentuan kematangan buah dilakukan secara visual oleh pekerja yang berpengalaman yaitu berdasarkan jumlah buah yang jatuh dari tandannya atau warna buah, Teknik seperti ini mempunyai beberapa kelemahan seperti kuantitas minyak yang akan berkurang bila banyak buah yang jatuh dari tandannya dan penilaian warna buah yang bersifat subyektif. Penelitian ini bertujuan untuk membuat sistem klasifikasi kematangan buah sawit berbasis YOLO v5. Data yang digunakan sebanyak 1500 foto, Labelling dataset dilakukan menggunakan roboflow. Hasil labelling dataset dibagi menjadi 3 kelas yaitu matang, belum matang, dan busuk. Training dataset menggunakan algoritma YOLOv5s. Berdasarkan evaluasi model diperoleh mAP 92%, precision 97%, recall 96 %. Tahap terakhir yaitu dilakukan pengujian sistem secara real-time. |
| Daftar Pustaka | Model Yolo,” CESS (Journal Comput. Eng. Syst. Sci., vol. 6, no. 2, p. 192, 2021, doi: 10.24114/cess.v6i2.25840. [2] D. Iskandar Mulyana, M. Faizal Lazuardi, and M. Betty Yel, “Deteksi Bahasa Isyarat Dalam Pengenalan Huruf Hijaiyah Dengan Metode YOLOV5,” J. Tek. Elektro dan Komputasi, vol. 4, pp. 145–151, 2022. [3] W. A. Aji, S. A. Saloko, I. Kurniawan, and M. A. Nurcahya, “The Effect of Rainfall and Rain Days On Palm Oil Production,” Trop. Plant. J., vol. 1, no. 1, pp. 16–20, 2022, doi: 10.56125/tpj.v1i1.3. [4] R. Salambue and M. Shiddiq, “Klasifikasi Kematangan Buah Sawit Menggunakan Model Warna RGB,” Semin. Nas. APTIKOM, pp. 434–440, 2019. [5] P. Unik Setyani and D. Siti Septiningsih, “Pengaruh Kemampuan Mengelola Emosi Terhadap Kematangan Sosial Pada Remaja Tunarungu Di Slb B Negeri Purbalingga Tahun Ajaran 2011/2012,” Psycho Idea, pp. 21–26, 2013, [Online]. Available: https://jurnalnasional.ump.ac.id/index.php/PSYCHOIDEA/article/view/510. [6] E. F. Himmah, M. Widyaningsih, and M. Maysaroh, “Identifikasi Kematangan Buah Kelapa Sawit Berdasarkan Warna RGB Dan HSV Menggunakan Metode K-Means Clustering,” J. Sains dan Inform., vol. 6, no. 2, pp. 193–202, 2020, doi: 10.34128/jsi.v6i2.242. [7] M. A. RAMADHAN, “Computer Vision Untuk Mengetahui Kematangan Jambu Kristal Menggunakan Metode Convolutional Neural Network,” 2022, [Online]. Available: http://eprints.upnyk.ac.id/30094/6/ABSTRAK.pdf%0Ahttp://eprints.upnyk.ac.id/30094/5/SKRIPSI FULL_Muhammad Alifadin Ramadhan_123150128.pdf. [8] G. I. E. Soen, Marlina, and Renny, “Implementasi Cloud Computing dengan Google Colaboratory Pada Aplikasi Pengolah Data Zoom Participants,” J. Inform. Technol. Commun., vol. 6, no. 1, pp. 24–30, 2022. [9] R. Rosaly and A. Prasetyo, “Pengertian Flowchart Beserta Fungsi dan Simbol-simbol Flowchart yang Paling Umum Digunakan,” Https://Www.Nesabamedia.Com, vol. 2, p. 2, 2019, [Online]. Available: https://www.nesabamedia.com/pengertian-flowchart/https://www.nesabamedia.com/pengertian-flowchart/. [10] A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 45–51, 2020, doi: 10.30871/jaic.v4i1.2017. [11] L. Maulinda, N. ZA, and N. Nurbaity, “Hidrolisis Asam Lemak Dari Buah Sawit Sisa Sortiran,” J. Teknol. Kim. Unimal, vol. 6, no. 2, p. 1, 2018, doi: 10.29103/jtku.v6i2.471. [12] A. Yunus, M. Akbar, and Andri, “Data Mining Untuk Memprediksi Hasil Produksi Buah Sawit Pada Pt Bumi Sawit Sukses (Bss) Menggunakan Metode K-Nearest Neighbor,” pp. 198–207, 2020. [13] L. Laila, A. Y. Darma, and A. Karuniawan, “Penggunaan Metode Failure Mode And Effect Analysis Untuk Mengidentifikasi Kegagalan Dan Pemilihan Tindakan Perawatan (Kasus Stasiun Klarifikasi Pabrik Kelapa Sawit Langling),” J. Vokasi Teknol. Ind., vol. 3, no. 1, pp. 31–35, 2021, doi: 10.36870/jvti.v3i1.226. [14] A. Rcm, P. Peralatan, and P. Cpo, “Aplikasi RCM Pada Peralatan Pengolahan CPO,” pp. 23–34. |