AFFAN NABIL RAMADHAN (2025) KOMPARASI MODEL - MODEL OBJECT DETECTION BUNGA MAWAR MENGGUNAKAN DATASET ROSEBLOOMING. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (2MB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (1MB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (224kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (216kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (632kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (500kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (1MB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (208kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (191kB)
[thumbnail of Lampiran] Text (Lampiran)
Lampiran.pdf
Restricted to Registered users only
Download (202kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (625kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (3MB)

Abstract

Penelitian ini membandingkan kinerja model deteksi objek YOLOv8, YOLOv11, YOLO-NAS, dan RF-DETR untuk mendeteksi bunga mawar menggunakan dataset Roseblooming. Latar Belakang penelitian ini adalah pentingnya deteksi objek dalam pertanian untuk pemantauan tanaman dan deteksi penyakit. Tujuan utamanya adalah menganalisis performa model-model tersebut berdasarkan metrik presisi, recall, dan mAP@50, serta mengevaluasi dampak augmentasi data. Metode yang digunakan melibatkan pelatihan model pada dataset Roseblooming (80% training, 10% validasi, 10% testing) dengan teknik augmentasi data seperti flip, rotation, brightness, exposure, dan noise. Pelatihan dilakukan di Google Colab (YOLOv8, YOLOv11) dan Roboflow (YOLO-NAS, RF-DETR). Hasil menunjukkan RF-DETR unggul dalam akurasi deteksi dan klasifikasi bunga mawar, terutama pada objek terhalang. YOLOv11 memiliki mAP@50 tertinggi (0.875), sementara YOLONAS memiliki presisi tertinggi (0.887) namun recall terendah. YOLOv8 menunjukkan keseimbangan yang baik. Kesimpulannya, RF-DETR adalah yang terbaik untuk akurasi tinggi, sementara YOLOv8 dan YOLOv11 cocok untuk aplikasi real-time yang membutuhkan keseimbangan kecepatan dan akurasi. YOLO-NAS baik untuk objek kecil tetapi memiliki tantangan klasifikasi.

Dosen Pembimbing: Cahya Damarjati, S.T., M.Eng., Ph.D. and Eko Prasetyo, Ir., M.Eng., Ph.D. | NIDN0515038702, NIDN0522046701
Item Type: Thesis (S1)
Uncontrolled Keywords: Object Detection, Rose Flower, YOLOv8, YOLOv11, YOLO-NAS, RF-DETR, Deep Learning
Divisions: Fakultas Teknik > S1 Teknologi Informasi
Depositing User: Bima
Date Deposited: 03 Sep 2025 09:08
Last Modified: 03 Sep 2025 09:08
URI: https://etd.umy.ac.id/id/eprint/53024

Actions (login required)

View Item View Item