ANALISIS EFEKTIVITAS ARTIFICIAL INTELLIGENCE DENGAN ALGORITMA YOLO DAN FASTER R-CNN DALAM MENDETEKSI KEMATANGAN TANDAN SAWIT

Oktavian, Sakbanullah Dwi (2025) ANALISIS EFEKTIVITAS ARTIFICIAL INTELLIGENCE DENGAN ALGORITMA YOLO DAN FASTER R-CNN DALAM MENDETEKSI KEMATANGAN TANDAN SAWIT. Other thesis, UNIVERSITAS BINA DARMA.

	Text (BAB 0) BAB0.pdf Download (577kB)
	Text (BAB 1) BAB1.pdf Download (338kB)
	Text (DAFTAR PUSTAKA) DAPUS.pdf Download (323kB)
	Text (FULL BAB SKRIPSI) FULLBAB_opt(pdfgear.com).pdf Restricted to Repository staff only Download (1MB)
	Text (LAMPIRAN) LAMP.pdf Download (2MB)

Abstract

Deteksi kematangan tandan buah segar (TBS) kelapa sawit secara otomatis merupakan langkah penting untuk meningkatkan efisiensi panen dan menjaga kualitas hasil produksi. Di banyak daerah penghasil kelapa sawit, proses penentuan tingkat kematangan masih dilakukan secara manual setiap 10–15 hari, metode yang rentan kesalahan dan berpotensi menurunkan harga jual hingga 50% jika panen dilakukan sebelum waktunya. Penelitian ini membandingkan performa model YOLOv8s dan Faster R-CNN dalam mengklasifikasikan enam kategori kematangan TBS menggunakan 471 citra uji. Berdasarkan metrik precision, recall, F1-Score, dan mAP, YOLOv8s menunjukkan keunggulan pada recall dan mAP50– 95 dengan F1-Score rata-rata >99%, sedangkan Faster R-CNN menonjol pada precision dan AP50. Secara praktis, YOLOv8s lebih direkomendasikan untuk deteksi multiklas di lapangan yang memerlukan kecepatan dan adaptasi terhadap kondisi pencahayaan bervariasi, sementara Faster R-CNN lebih sesuai digunakan pada aplikasi berbasis server dengan kondisi visual yang terkontrol dan fokus pada akurasi tinggi.

Actions (login required)

View Item