SAFRINA, YULI (2026) PERBANDINGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DAN YOU ONLY LOOK ONCE (YOLO) PADA APLIKASI ANDROID BERBASIS DEEP LEARNING UNTUK DETEKSI JENIS DAUN AROMATIK MASAKAN. S2 thesis, Universitas Malikussaleh.

	Text COVER YULII.pdf Download (137kB)
	Text ABSTRAK YULIII.pdf Download (239kB)
	Text BAB I YULIII.pdf Download (279kB)
	Text DAPUS YULIII.pdf Download (211kB)
	Text TESIS FINAL YULI SAFRINA.pdf Restricted to Registered users only Download (5MB)

Abstract

Daun aromatik yang umum digunakan dalam masakan Indonesia meliputi daun salam (Syzygium polyanthum), daun pandan (Pandanus amaryllifolius), daun jeruk nipis (Citrus hystrix), daun kari (Murraya koenigii), dan daun kunyit (Curcuma longa). Bentuk, warna, dan teksturnya yang serupa seringkali menyulitkan identifikasi manual. Oleh karena itu, teknologi deep learning dapat dimanfaatkan untuk mengidentifikasi dan mendeteksi jenis daun aromatik secara otomatis melalui citra digital. Penelitian ini bertujuan untuk menganalisis kinerja Convolutional Neural Network (CNN) menggunakan arsitektur EfficientNet-B0 dan model YOLOv11 dengan optimizer AdamW dalam mendeteksi dan mengklasifikasikan daun aromatik. Sistem ini diimplementasikan menggunakan framework Python Flask untuk backend berbasis web dan Flutter untuk antarmuka aplikasi mobile pada perangkat Android. Dataset yang digunakan dalam studi ini terdiri dari 671 citra digital yang diperoleh melalui pengumpulan citra langsung dan dataset pendukung. Dataset dikategorikan menjadi lima kelas: daun salam, daun pandan, daun jeruk nipis, daun kari, dan daun kunyit. Selanjutnya, dataset dibagi menjadi data pelatihan (89%), data validasi (7%), dan data pengujian (4%). Hasil menunjukkan bahwa model YOLOv11 mengungguli model CNN (EfficientNet-B0). YOLOv11 mencapai presisi 73,36%, recall 84,35%, mAP50 83,93%, dan mAP50-95 71,38%. Sementara itu, EfficientNet-B0 mencapai akurasi validasi terbaik 97.67% dan akurasi pengujian 96.55%. Berdasarkan hasil eksperimen, YOLOv11 menunjukkan kepercayaan deteksi yang lebih tinggi dan kinerja yang lebih konsisten dibandingkan dengan EfficientNetB0. Selain itu, YOLOv11 lebih cocok untuk penerapan di perangkat mobile karena kemampuan deteksi objek real-time dengan kecepatan inferensi yang lebih cepat, sementara sistem ini didukung oleh backend berbasis Flask dan antarmuka aplikasi mobile Flutter.

Item Type:	Thesis (S2)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Pascasarjana > 71102 - Magister Teknologi Informasi
Depositing User:	yuli safrina
Date Deposited:	03 Sep 2026 06:58
Last Modified:	03 Sep 2026 06:58
URI:	https://rama.unimal.ac.id/id/eprint/22285

Actions (login required)

View Item