OPTIMASI YOLOV8 DIINTEGRASIKAN DENGAN DCNV2 UNTUK MENINGKATKAN KLASIFIKASI KERETAKAN TELUR AYAM MENGGUNAKAN CITRA CANDLING MULTI-KAMERA

ANDI ULIL AMRI. Optimasi Yolov8 Diintegrasikan Dengan Dcnv2 Untuk Meningkatkan Klasifikasi Keretakan Telur Ayam Menggunakan Citra Candling Multi-Kamera (dibimbing oleh Prof. Dr. Ir. Indrabayu, S.T., M.T., M.Bus.Sys., IPM., ASEAN.Eng.). Latar Belakang. Telur ayam merupakan komoditas pangan bernilai ekonomi tinggi yang kualitasnya sangat dipengaruhi oleh kondisi fisik cangkang, khususnya adanya keretakan. Proses inspeksi telur secara manual masih memiliki keterbatasan dari segi kecepatan, konsistensi, dan subjektivitas penilaian, sehingga diperlukan sistem inspeksi otomatis berbasis visi komputer. Tantangan utama dalam deteksi keretakan telur adalah bentuk telur yang melengkung dan tidak simetris serta keterbatasan sudut pandang kamera tunggal yang menimbulkan blind spot. Selain itu, algoritma YOLOv8 sebagai salah satu model deteksi objek masih memiliki keterbatasan dalam mengenali pola retakan halus dan tidak beraturan pada permukaan cangkang telur. Penelitian ini bertujuan. untuk mengembangkan sistem deteksi dan klasifikasi keretakan telur ayam menggunakan citra candling multi-kamera serta mengoptimalkan performa YOLOv8 melalui integrasi Deformable Convolutional Network version 2 (DCNv2) guna meningkatkan akurasi deteksi. Metode. penelitian meliputi pengambilan data citra telur ayam ras menggunakan sistem candling multi-kamera yang terdiri dari kamera atas, kiri, dan kanan pada mesin konveyor. Data citra yang diperoleh dipraproses melalui tahap anotasi, pelabelan, penyesuaian ukuran citra, augmentasi data, dan pembagian dataset. Arsitektur YOLOv8 dimodifikasi dengan menambahkan modul DCNv2 pada bagian backbone untuk meningkatkan kemampuan ekstraksi fitur adaptif. Evaluasi performa model dilakukan menggunakan metrik precision, recall, dan mean Average Precision (mAP). Hasil. pengujian menunjukkan bahwa model YOLOv8+DCNv2 memiliki performa yang lebih baik dibandingkan YOLOv8 baseline. Pada kelas telur retak, nilai recall meningkat dari 91,5% menjadi 100% dan nilai mAP50-95 meningkat dari 97,0% menjadi 98,6%. Pada kelas telur utuh, model YOLOv8+DCNv2 mencapai nilai recall 100% dengan mAP50-95 sebesar 98,8%. Kesimpulan. integrasi sistem multi-kamera dengan optimasi YOLOv8 menggunakan DCNv2 terbukti efektif dalam meningkatkan akurasi dan keandalan deteksi serta klasifikasi keretakan telur ayam dan berpotensi diterapkan pada sistem inspeksi kualitas telur secara otomatis diindustri peternakan unggas.