RISTIANTO, Muhammad Rafasya Putra (2026) Penerapan YOLOv8m Untuk Deteksi Dan Klasifikasi Gambar Makanan Padang. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (131kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (428kB)
	Text 5. KATA PENGANTAR.pdf Download (576kB)
	Text 7. ABSTRAK.pdf Download (164kB)
	Text 8. ABSTRACT.pdf Download (164kB)
	Text 9. DAFTAR ISI.pdf Download (233kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (211kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (174kB)

Abstract

Makanan Padang merupakan salah satu kuliner khas Indonesia yang memiliki beragam jenis
hidangan dengan bentuk, warna, dan tekstur yang sering kali mirip, sehingga menyulitkan
proses identifikasi otomatis. Permasalahan ini menjadi penting ketika dibutuhkan sistem
pendeteksi makanan yang cepat, akurat, dan efisien untuk mendukung berbagai aplikasi
seperti sistem kasir otomatis, penghitungan kalori, maupun katalog digital makanan
tradisional. Penelitian ini bertujuan untuk mendeteksi berbagai jenis makanan Padang secara
otomatis menggunakan algoritma You Only Look Once versi 8 medium (YOLOv8m).
Dataset yang digunakan terdiri dari 3.998 citra makanan Padang yang diperoleh dari
berbagai sumber terbuka dan telah dianotasi menggunakan Roboflow dan dibagi menjadi
3.647 citra untuk pelatihan, 235 citra untuk validasi, dan 116 citra untuk pengujian. Proses
pelatihan dilakukan selama 110 epoch dengan konfigurasi ukuran input 640 × 640 piksel,
batch size 16, dan augmentasi data aktif, menggunakan model dasar yolov8m.pt. Hasil
pelatihan menunjukkan bahwa model mampu mencapai konvergensi yang stabil tanpa
mengalami overfitting yang signifikan, dengan penurunan loss yang konsisten pada data latih
dan validasi. Berdasarkan hasil pengujian, model YOLOv8m memperoleh nilai rata-rata
Precision sebesar 0,85, Recall sebesar 0,751, mAP@50 sebesar 0,834, dan mAP@50–95
sebesar 0,701. Selain itu, nilai Accuracy sebesar 0,829 dan F1-Score sebesar 0,787
menunjukkan bahwa model memiliki keseimbangan yang baik antara ketepatan dan
kelengkapan deteksi. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa
YOLOv8m efektif dalam mendeteksi berbagai jenis makanan Padang dan berpotensi
dikembangkan untuk sistem deteksi makanan otomatis berbasis visi komputer.
Kata Kunci: YOLOv8m, deteksi objek, makanan Padang, deep learning

Actions (login required)

View Item