ILYANA, ANIS (2025) DETEKSI KEMATANGAN BUAH KOPI SECARA REAL-TIME MENGGUNAKAN YOLOv11. S1 thesis, Universitas Malikussaleh.

	Text Cover_Skripsi_Anis Ilyana_210170008.pdf Download (231kB)
	Text Abstrak_Skripsi_Anis_Ilyana_210170008.pdf Download (195kB)
	Text BABI_Skripsi_Anis Ilyana_210170008.pdf Download (428kB)
	Text Dapus_Skripsi_Anis Ilyana_210170008.pdf Download (320kB)
	Text Skripsi_Anis Ilyana_210170008_Full Text.pdf Restricted to Registered users only Download (5MB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem deteksi kematangan buah kopi secara real-time menggunakan algoritma YOLOv11, yang dapat membantu petani dalam menentukan waktu panen yang optimal berdasarkan tingkat kematangan buah kopi. Dataset yang digunakan terdiri dari 302 gambar dengan tiga kategori kematangan: matang, setengah matang, dan tidak matang. Proses pelatihan model dilakukan menggunakan platform Google Collab, dengan teknik augmentasi gambar untuk meningkatkan variasi data latih dan mencegah overfitting. Hasil pelatihan menunjukkan peningkatan signifikan pada metrik evaluasi seperti mAP50, Precision, dan Recall setelah 20 Epoch. Pada kategori buah kopi matang, model berhasil mencapai mAP50 sebesar 0.774, Precision 0.645, dan Recall 0.812, yang menandakan performa deteksi yang sangat baik. Untuk kategori setengah matang, model memperoleh mAP50 sebesar 0.695, dengan Precision 0.624 dan Recall 0.679, yang menunjukkan kemampuan deteksi yang baik meskipun sedikit lebih rendah. Namun, untuk kategori tidak matang, model mengalami kesulitan, dengan mAP50 hanya 0.4, serta Precision dan Recall yang lebih rendah. Waktu inferensi tercatat sekitar 183.4 ms per gambar, dengan preprocessing dan postprocessing yang sangat cepat, masing-masing hanya 0.5 ms, menandakan efisiensi yang cukup baik untuk aplikasi deteksi real-time. Secara keseluruhan, meskipun sistem ini berhasil mendeteksi kematangan buah kopi dengan akurat, masih diperlukan pengembangan lebih lanjut untuk meningkatkan deteksi pada kategori "tidak matang" agar sistem ini lebih optimal. Kata Kunci: Python, Sistem Deteksi Otomatis, Buah Kopi, YOLOv11, Machine Learning

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Anis Ilyana
Date Deposited:	30 Jul 2025 03:54
Last Modified:	30 Jul 2025 03:54
URI:	https://rama.unimal.ac.id/id/eprint/13152

Actions (login required)

View Item