Detail Cantuman Kembali
SKEMA MAGANG: MODIFIKASI ARSITEKTUR YOLOv8m BERBASIS EFFICIENT MULTI-SCALE CONVOLUTION UNTUK MENINGKATKAN AKURASI DETEKSI HAMA
- Bagikan:
Deteksi hama pada citra perangkap tabung (funnel trap) menghadapi tantangan berupa ukuran objek yang kecil, kondisi tumpukan hama (occlusion), serta variasi pencahayaan yang tinggi yang dapat menurunkan akurasi model deteksi objek. Oleh karena itu, penelitian ini dilakukan untuk meningkatkan kinerja model deteksi hama berbasis YOLOv8m melalui integrasi modul Efficient Multi-Scale Convolution (EMSConv) guna meningkatkan sensitivitas model terhadap objek kecil dan kondisi kompleks tanpa menambah beban komputasi secara signifikan. Penelitian ini menggunakan dataset Funnel Trap V1 dari Roboflow yang terdiri dari 658 gambar dengan lima kelas target hama, yang dibagi menjadi training, validation, dan testing set dengan rasio 70:20:10. Modifikasi arsitektur dilakukan secara modular melalui mekanisme injeksi otomatis (system_integrator.py) dan konfigurasi custom.yaml, dengan mengganti blok C2f standar pada bagian Head menjadi C2f_EMSCP berbasis EMSConv. Pelatihan model dilakukan pada Google Colab GPU T4 selama 150 epoch dengan ukuran input 640×640, serta penerapan augmentasi pada tahap pelatihan. Evaluasi kinerja dilakukan secara kuantitatif menggunakan metrik mAP@50, mAP@50–95, Precision, dan Recall, serta secara kualitatif melalui analisis visual hasil prediksi. Hasil penelitian menunjukkan bahwa model YOLOv8m+EMSConv mampu meningkatkan mAP@50 sebesar 1,1% dan mAP@50–95 sebesar 0,9% dibandingkan baseline, dengan jumlah parameter lebih rendah dan waktu pelatihan sedikit lebih cepat. Selain itu, secara kualitatif model kustom mampu mendeteksi beberapa objek hama yang tidak terdeteksi oleh model baseline pada kondisi occlusion.
030 HER M R.1
NONE
Text Skripsi
Indonesia
UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA (UTDI)
2026
Yogyakarta
030 IF 2026
LOADING LIST...
LOADING LIST...