Astawa, Kadek Suka (2024) PENGEMBANGAN MODEL PENDETEKSI BURUNG PIPIT PEKING BONDOL MENGGUNAKAN YOLOv4-tiny. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
1915101036-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
1915101036-ABSTRAK.pdf Download (30kB) |
|
Text (BAB 1 PENDAHULUAN)
1915101036-BAB 1 PENDAHULUAN.pdf Download (38kB) |
|
Text (BAB 2 KAJIAN TEORI)
1915101036-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (554kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
1915101036-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (331kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
1915101036-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
1915101036-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (29kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
1915101036-DAFTAR PUSTAKA.pdf Download (99kB) |
|
Text (LAMPIRAN)
1915101036-LAMPIRAN.pdf Download (54kB) |
Abstract
Penelitian ini menggambarkan peningkatan jumlah spesies burung di Indonesia dalam sepuluh tahun terakhir, yang tercermin dari kemajuan dalam penelitian, sistematika, dan taksonomi burung. Hal ini menghasilkan identifikasi spesies dan catatan baru. Selain menjadi satwa dilindungi, burung juga memiliki peran penting dalam estetika, sebagai hewan peliharaan, dan sebagai predator bagi serangga pengganggu. Fokus penelitian ini adalah pengembangan model deteksi menggunakan algoritma YOLO untuk tiga spesies burung yang dianggap sebagai hama pada tanaman padi: Burung Peking Bondol (Lonchura punctulata), Burung Merbah Cerukcuk (Yellow-vented bulbul), dan Burung Ketilang (Sooty-headed Bulbul). Data dikumpulkan melalui unduhan dari situs eBird. Hasil penelitian berupa model machine learning yang bertujuan mendeteksi ketiga spesies burung tersebut. Peneliti membandingkan metode deteksi dengan menggunakan YOLOv5, YOLOv7, dan YOLOv8, di mana YOLOv8 mencapai Mean Average Precision (mAP) tertinggi sebesar 87%. Namun, dalam pengujian akurasi menggunakan data testing, YOLOv5 mencapai nilai rata-rata akurasi tertinggi, yaitu 91%, dibandingkan dengan YOLOv4-Tiny, YOLOv7, dan YOLOv8. Penggunaan dataset tanpa melakukan resize menghasilkan peningkatan pada nilai recall, precision, dan mAP, namun dengan biaya waktu pelatihan yang lebih tinggi dan dataset yang lebih besar. YOLOv8 menunjukkan nilai precision sebesar 0.855, recall sebesar 0.852, dan mAP sebesar 0.887. Dengan demikian, penelitian ini memberikan kontribusi dalam pengembangan metode deteksi burung yang efektif untuk pengelolaan hama pada pertanian.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Burung Peking, YOLO, Deep Learning |
| Subjects: | Q Science > Q Science (General) T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Kadek Suka Astawa |
| Date Deposited: | 24 Jun 2024 14:10 |
| Last Modified: | 24 Jun 2024 14:10 |
| URI: | http://repo.undiksha.ac.id/id/eprint/20120 |
Actions (login required)
 |
View Item |