ADRIANSYAH, Muhammad Daffa Aradhana (2026) Deteksi Ayam Mati Pada Kandang Dengan Menggunakan Arsitektur YOLOv11. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) 24060122120022_Muhammad Daffa Aradhana Adriansyah.zip Restricted to Repository staff only Download (6MB) | Request a copy
	Text 1. COVER.pdf Download (76kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (150kB)
	Text 4. KATA PENGANTAR.pdf Download (255kB)
	Text 5. ABSTRAK.pdf Download (169kB)
	Text 6. ABSTRACT.pdf Download (111kB)
	Text 7. DAFTAR ISI.pdf Download (257kB)
	Text 10. BAB I PENDAHULUAN.pdf Download (257kB)
	Text 15. DAFTAR PUSTAKA.pdf Download (204kB)

Abstract

Industri peternakan unggas sistem cage-free menghadapi tantangan pemantauan mortalitas
yang tinggi akibat kepadatan flok yang masif, oklusi visual antar ayam, serta variasi
pencahayaan di dalam kandang. Pemantauan manual dinilai tidak efisien dan rentan terhadap
kesalahan manusia, sehingga dibutuhkan sistem deteksi otomatis berbasis computer vision.
Penelitian ini mengimplementasikan arsitektur YOLOv11s untuk mendeteksi dua kelas
objek, yaitu ayam hidup (chicken) dan ayam mati (dead), menggunakan dataset citra asli
(real-world) yang diekstraksi dari rekaman kamera CCTV kandang cage-free. Dataset awal
berjumlah 1.191 gambar yang kemudian diperkaya melalui augmentasi data (flip, rotasi,
penyesuaian kecerahan, dan eksposur) menjadi 2.025 gambar, lalu dibagi dengan rasio
70:20:10 untuk data latih, validasi, dan uji. Pelatihan dilakukan pada platform Google Colab
menggunakan GPU NVIDIA Tesla T4 dengan konfigurasi 60 epoch, batch size 8, learning
rate 0,001, ukuran citra 960 x 540 piksel, dan optimizer AdamW. Evaluasi model
menghasilkan nilai mAP@0,5 sebesar 89,6%, precision 84,4%, recall 85,8%, dan F1-Score
85,0%, dengan waktu inferensi inti sebesar 9,2 ms per frame. Dalam perbandingan antar
versi YOLO menggunakan dataset dan hyperparameter yang sama, YOLOv11s mencatatkan
kecepatan inferensi tercepat dibandingkan YOLOv10s (12,5 ms) dan YOLOv9s (25,3 ms),
menjadikannya pilihan paling optimal untuk sistem pemantauan kandang secara real-time.
Model juga bersifat ringan dengan ukuran 18,30 MB, 9,4 juta parameter, dan beban
komputasi 21,6 GFLOPs. Hasil penelitian ini diharapkan dapat menjadi landasan
pengembangan sistem peringatan dini otomatis di peternakan unggas berskala besar.
Kata kunci : YOLOv11, cage-free, deteksi objek, deep learning, mortalitas unggas

(NO. KETERSEDIAAN : 1706/F/2026)

Actions (login required)

View Item