Rifatatiar, Lintang Rifatatiar (2025) Rancang Bangun Sistem Klasifikasi Tingkat Kematangan Apel Berbasis Deep Learning Dengan Implementasi YoloV8 Dan Optimasi HyperParameter. Undergraduate thesis, Universitas Diponegoro.

	Text TA LINTANG-FINAL.pdf - Published Version Restricted to Repository staff only Download (5MB)
	Text COVER (17).pdf - Published Version Download (3MB)
	Text BAB1.pdf - Published Version Download (1MB)
	Text BAB2.pdf - Published Version Download (10MB)
	Text BAB3.pdf - Published Version Restricted to Repository staff only Download (18MB)
	Text BAB4.pdf - Published Version Download (9MB)
	Text BAB5.pdf - Published Version Download (645kB)
	Text DAPUS (2).pdf - Published Version Download (1MB)
	Text LAMPIRAN (12).pdf - Published Version Restricted to Repository staff only Download (4MB)

Abstract

Proses penyortiran buah apel pada tahap pascapanen masih banyak dilakukan secara manual sehingga berpotensi menimbulkan ketidakkonsistenan hasil, rendahnya efisiensi, serta ketergantungan terhadap subjektivitas operator. Untuk mengatasi permasalahan tersebut, penelitian ini merancang dan membangun sistem klasifikasi tingkat kematangan apel berbasis deep learning dengan mengimplementasikan algoritma YOLOv8 yang dioptimasi melalui tuning hyperparameter. Sistem dirancang untuk mengklasifikasikan apel ke dalam tiga kelas, yaitu matang, setengah matang, dan tidak matang, serta diintegrasikan dengan mekanisme konveyor dan aktuator mekanik sebagai sistem sortir otomatis. Model YOLOv8 dilatih menggunakan dataset citra apel yang telah melalui proses anotasi, augmentasi, dan preconditioning. Optimasi hyperparameter dilakukan menggunakan pendekatan One-Factor-At-a-Time (OFAT) terhadap parameter utama seperti learning rate, batch size, optimizer, weight decay, dan epoch. Model hasil pelatihan kemudian dikonversi ke format HEF dan diimplementasikan pada Raspberry Pi 5 yang dipadukan dengan akselerator AI Hailo-8 untuk meningkatkan performa inferensi secara real-time. Sistem mekanik menggunakan konveyor berbasis motor power window dengan transmisi pulley dan belt, serta mekanisme diverter berbasis motor servo untuk proses pemisahan apel. Hasil pengujian menunjukkan bahwa optimasi hyperparameter mampu meningkatkan stabilitas pelatihan dan performa deteksi model, ditunjukkan oleh peningkatan nilai confidence score dan mAP yang lebih proporsional antar kelas. Implementasi Hailo-8 berhasil meningkatkan kecepatan inferensi dari 11,07 FPS menjadi 30,02 FPS.

Actions (login required)

View Item