Safira, Intan (2026) Unjuk Kerja Algoritma Yolov8 dan Real-Time Detection Transformer Pada Sistem Deteksi Tingkat Kematangan Tomat. S1 thesis, Universitas Malikussaleh.

	Text cover.pdf Download (116kB)
	Text ABSTRAK.pdf Download (156kB)
	Text BAB I.pdf Download (192kB)
	Text DAFTAR PUSTAKA.pdf Download (182kB)
	Text Skripsi Lengkap.pdf Restricted to Registered users only Download (3MB)

Abstract

Penyortiran buah tomat berdasarkan tingkat kematangan secara manual masih memiliki keterbatasan dari segi konsistensi dan efisiensi. Penelitian ini bertujuan untuk membandingkan kinerja algoritma YOLOv8 dan Real-Time Detection Transformer (RT-DETR) dalam mendeteksi tingkat kematangan tomat berbasis citra digital dengan enam kelas kematangan. Metode penelitian meliputi pengumpulan dan anotasi dataset citra tomat, pelatihan model, serta evaluasi kinerja menggunakan data uji. Hasil training menunjukkan bahwa konfigurasi terbaik diperoleh pada YOLOv8 dengan 100 epoch dan RT-DETR dengan 25 epoch, ditandai dengan stabilitas metrik evaluasi dan penurunan nilai loss. Pada pengujian pertama, YOLOv8 memperoleh nilai akurasi 57,00%, presisi 63,70%, dan recall 71,60%, sedangkan RT-DETR memperoleh akurasi 63,04%, presisi 55,10%, dan recall 70,44%. Pada pengujian sistem kedua, YOLOv8 menghasilkan akurasi 50,7%, presisi 64,8%, dan recall 70%, sementara RT-DETR menunjukkan performa lebih tinggi dengan akurasi 70%, presisi 80,8%, dan recall 84%. Berdasarkan hasil tersebut, YOLOv8 unggul dalam kecepatan inferensi, sedangkan RT-DETR memberikan ketelitian deteksi yang lebih baik. Kata kunci: Deep Learning, YOLOv8, RTDETR, Tomat, Deteksi

Item Type:	Thesis (S1)
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Intan Safira
Date Deposited:	28 Jul 2026 02:43
Last Modified:	28 Jul 2026 02:43
URI:	https://rama.unimal.ac.id/id/eprint/20662

Actions (login required)

View Item