PENERAPAN TEKNOLOGI DEEP LEARNING DENGAN ALGORITMA YOLOV8 UNTUK MONOTORING KEMATANGAN BUAH SAWIT DI PT HERFINTA

YUDA MIKRAZ HARAHAP, NPM 2109100087 (2025) PENERAPAN TEKNOLOGI DEEP LEARNING DENGAN ALGORITMA YOLOV8 UNTUK MONOTORING KEMATANGAN BUAH SAWIT DI PT HERFINTA. Skripsi thesis, Universitas Labuhanbatu.

	Text Cover Yuda.pdf Download (29MB)
	Text BAB I.pdf Download (236kB)
	Text BAB II.pdf Download (844kB)
	Text BAB III.pdf Download (523kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (182kB)
	Text Daftar Pustaka.pdf Download (183kB)
	Text Lampiran.pdf Download (464kB)

Abstract

Perkembangan teknologi, khususnya di bidang komputasi dan turunannya, semakin pesat dari hari ke hari. Salah satu permasalahan yang kerap terjadi di lapangan adalah kesalahan serta keterlambatan pekerja dalam menentukan tingkat kematangan buah sawit. Hal ini diperparah dengan masih minimnya inovasi dalam pemanfaatan teknologi yang tersedia. Penilaian tingkat kematangan yang dilakukan secara manual cenderung rentan terhadap kesalahan serta memerlukan waktu yang cukup lama, sehingga menjadi hambatan bagi perusahaan dalam mencapai kualitas dan kuantitas produksi Crude Palm. Oil (CPO) yang optimal.Untuk mengatasi permasalahan tersebut, diperlukan sebuah sistem yang dapat membantu pekerja dalam mendeteksi tingkat kematangan buah sawit secara otomatis. Permasalahan dalam penelitian ini berfokus pada: Bagaimana implementasi algoritma YOLOv8 dalam mendeteksi tingkat kematangan buah sawit?,Tujuan da,ri penelitian ini adalah untuk mengetahui bagaimana penerapan YOLOv8 dalam mendeteksi buah sawit matang dan mentah. Penelitian ini dilakukan di Desa Aek Batu, tepatnya di pabrik PT Herfinta. Proses perancangan sistem meliputi pengambilan dataset, pengolahan citra, pelabelan dataset, pembagian dataset, pelatihan (training), serta proses deteksi. Pengujian sistem dilakukan dengan menggunakan metode confusion matrix. Berdasarkan hasil penelitian, dapat disimpulkan bahwa penerapan algoritma YOLOv8 mampu memberikan performa deteksi yang baik. Sistem yang dibangun dapat mengenali gambar buah sawit dalam berbagai kondisi kematangan, baik yang sudah matang maupun yang masih mentah. Hal ini ditunjukkan dengan akurasi tertinggi yang diperoleh saat pelatihan menggunakan Google Colab, yaitu sebesar 99,3%. Adapun saran untuk penelitian selanjutnya adalah agar lebih memperhatikan jumlah epoch dan proporsi pembagian dataset, karena kedua faktor tersebut sangat berpengaruh terhadap tingkat akurasi sistem yang dikembangkan. Kata Kunci : Buah Kelapa Sawit, Yolov8, Deep Learning

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Buah Kelapa Sawit, Yolov8, Deep Learning
Subjects:	S Agriculture > S Agriculture (General) S Agriculture > SB Plant culture T Technology > T Technology (General)
Divisions:	Fakultas Sains Dan Teknologi > Sistem Informasi
Depositing User:	Unnamed user with email repository@ulb.ac.id
Date Deposited:	05 Jun 2025 03:50
Last Modified:	05 Jun 2025 03:50
URI:	http://repository.ulb.ac.id/id/eprint/1454

Actions (login required)

View Item