Novalino Ahmad, Firdaus (2026) RANCANG BANGUN SISTEM KLASIFIKASI TINGKAT KEMATANGAN APEL BERBASIS DEEP LEARNING: YOLOv8 DENGAN OPTIMISASI HYPERPARAMETER MENGGUNAKAN METODE TREE STRUCTURED PARZEN ESTIMATOR (TPE). Undergraduate thesis, Universitas Diponegoro.

	Text LAPORAN TUGAS AKHIR NOVALINO AHMAD FIRDAUS OCTOBER.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy
	Text COVER.pdf - Published Version Download (576kB)
	Text BAB1.pdf - Published Version Download (332kB)
	Text BAB 2.pdf - Published Version Download (1MB)
	Text BAB 3.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text BAB 4.pdf - Published Version Download (1MB)
	Text BAB 5.pdf - Published Version Download (196kB)
	Text DAFTAR PUSTAKA.pdf - Published Version Download (338kB)
	Text LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (23kB) | Request a copy

Abstract

ABSTRAK
RANCANG BANGUN SISTEM KLASIFIKASI TINGKAT KEMATANGAN
APEL BERBASIS DEEP LEARNING: YOLOv8 DENGAN OPTIMISASI
HYPERPARAMETER MENGGUNAKAN METODE TREE
STRUCTURED PARZEN ESTIMATOR (TPE)
Novalino Ahmad Firdaus
Teknologi Rekayasa Otomasi, Sekolah Vokasi, Universitas Diponegoro
Proses pemilahan buah apel secara manual pada tahap pascapanen masih terhalang
oleh ketergantungan pada subjektivitas operator dan efisiensi yang rendah.
Meskipun model deep learning seperti YOLOv8 memungkinkan inspeksi visual
secara otomatis, metode tuning hiperparameter konvensional seperti One-Factor
At-a-Time (OFAT) membutuhkan waktu pelatihan yang sangat lama hingga 8 jam
serta tidak mampu menangkap interaksi antar-parameter. Selain itu, pelabelan
dataset berbasis varietas menimbulkan risiko kesalahan klasifikasi pada apel
dengan ciri visual warna merah yang tidak dominan, seperti apel Malang. Untuk
mengatasi keterbatasan tersebut, penelitian ini menyajikan sistem klasifikasi dan
pemilah tingkat kematangan apel otomatis menggunakan YOLOv8 yang dioptimasi
melalui algoritma Tree-Structured Parzen Estimator (TPE) menggunakan
framework Optuna. Sistem ini mengklasifikasikan apel ke dalam tiga tingkat
kematangan—apple-20 (belum matang), apple-75 (setengah matang), dan apple
100 (matang)—berdasarkan karakteristik warna visual pada 3.344 citra hasil
anotasi dan augmentasi. Untuk implementasi real-time di tingkat edge, model yang
telah dilatih dijalankan pada Raspberry Pi 5 dengan akselerator AI Hailo-8, yang
terintegrasi dengan konveyor, stopper feeder berbasis motor DC, serta pengarah
berbasis motor servo. Hasil pengujian menunjukkan bahwa optimasi TPE berhasil
mengurangi waktu tuning hiperparameter sebesar 80%, dari 8 jam menjadi 2,6 jam,
sekaligus mencapai peningkatan metrik performa sebesar 2,71% serta peningkatan
kumulatif sebesar 13,73% pada dataset yang diperbarui. Pada pengujian fisik real
time dengan sistem feeder yang beroperasi pada kecepatan ~30 FPS, sistem ini
mencapai throughput sebesar 33–36 apel per menit dengan Presisi 0,971, Recall
0,990, F1-score 0,980, serta berhasil menekan tingkat error pemilahan hingga
2,91%.
Kata Kunci: YOLOv8, Deep Learning, Klasifikasi Kematangan Apel, Tree
Structured Parzen Estimator (TPE), Sistem Pemilah Otomatis.

Actions (login required)

View Item