IDENTIFIKASI CENGKIH UNTUK MEMBEDAKAN PUING RANTING DAN DAUN DENGAN DATA AUGMENTASI MENGGUNAKAN FASTER R-CNN = IDENTIFICATION OF CLOVES TO DISTINGUISH TWIG AND LEAF DEBRIS WITH DATA AUGMENTATION USING FASTER R-CNN


DARNILASARI, AULIA (2024) IDENTIFIKASI CENGKIH UNTUK MEMBEDAKAN PUING RANTING DAN DAUN DENGAN DATA AUGMENTASI MENGGUNAKAN FASTER R-CNN = IDENTIFICATION OF CLOVES TO DISTINGUISH TWIG AND LEAF DEBRIS WITH DATA AUGMENTATION USING FASTER R-CNN. Thesis thesis, Universitas Hasanuddin.

[thumbnail of Cover]
Preview
Image (Cover)
D082201014_tesis_19-03-2024 cover1.png

Download (172kB) | Preview
[thumbnail of Bab 1-2] Text (Bab 1-2)
D082201014_tesis_19-03-2024 1-2(FILEminimizer).pdf

Download (787kB)
[thumbnail of Dapus] Text (Dapus)
D082201014_tesis_19-03-2024 dp(FILEminimizer).pdf

Download (181kB)
[thumbnail of Full Text] Text (Full Text)
D082201014_tesis_19-03-2024(FILEminimizer).pdf
Restricted to Repository staff only until 6 May 2027.

Download (5MB)

Abstract (Abstrak)

AULIA DARNILASARI. Identifikasi Cengkih untuk Membedakan Puing Ranting dan Daun dengan Data Augmentasi Menggunakan Faster R-CNN. (Dibimbing oleh Indrabayu dan Intan Sari Areni). Latar Belakang Penelitian ini memfokuskan pada pengembangan model deteksi objek dengan pendekatan computer vision, dengan tujuan mengatasi permasalahan kompleks terkait pemisahan antara cengkih dan puing (ranting dan daun). Metode yang digunakan dalam penelitian ini melibatkan pengembangan sistem deteksi objek cengkih dari puing dengan memanfaatkan algoritma Faster R-CNN, dengan model arsitektur ResNet50. Penelitian ini menggunakan video yang diambil menggunakan belt conveyor dengan tingkat kecepatan (18,11 21,13 24,15 27,11 30,19 33,21 36,23 39,25 42,27 45,29 rpm (revolution per minute)), dan tingkat kepadatan objek yang berbeda yakni sedikit, sedang, dan padat sebagai. Selanjutnya, penelitian ini melibatkan penerapan augmentasi data warna (brightness contrast) dan blur (median blur and motion blur), untuk meningkatkan kemampuan model dalam mengatasi variasi citra dan memungkinkan daya adaptasi lebih tinggi dalam proses pengenalan objek. Jumlah data yang digunakan pada penelitian ini menggunakan data latih 350 citra yang sebelum diaugmentasi dan 1050 citra setelah diaugmentasi. Pada proses pelatihan, menggunakan epoch sebanyak 100, menggunakan batch size sebanyak 16, jumlah class sebanyak 4 dan Resnet50. Hasil terbaik diperoleh berdasarkan nilai rata-rata mAP 0,99 dengan menggunakan augmentasi dan ambang batas 0,5 (mAP_0.5). Berdasarkan uji coba model terbaik maka diperoleh akurasi tertinggi sebesar 97% pada kecepatan 18,11 rpm kepadatan sedikit dengan menggunakan augmentasi dan akurasi terburuk sebesar 0,44% terjadi pada tingkat kepadatan padat dengan kecepatan 45,29 rpm tanpa augmentasi.

Keyword : Cengkih, Computer Vision, Faster R-CNN, ResNet50, Augmentasi.

Item Type: Thesis (Thesis)
Uncontrolled Keywords: Cloves, Computer Vision, Faster R-CNN, ResNet50, Augmentation.
Subjects: T Technology > TA Engineering (General). Civil engineering (General)
Divisions (Program Studi): Fakultas Teknik > Teknik Informatika
Depositing User: Rasman
Date Deposited: 04 Jul 2025 06:29
Last Modified: 04 Jul 2025 06:29
URI: http://repository.unhas.ac.id:443/id/eprint/45988

Actions (login required)

View Item
View Item