OBJECT DETECTION UNTUK MENDETEKSI CITRA BUAH-BUAHAN MENGGUNAKAN METODE YOLO

Authors

  • Dede Haris Saputra Universitas Teknologi Mataram
  • Bahtiar Imran Universitas Teknologi Mataram
  • Juhartini Universitas Teknologi Mataram

DOI:

https://doi.org/10.69916/jkbti.v2i2.18

Keywords:

Kecerdasan buatan, yolo, pengenalan objek

Abstract

Perkembangan ilmu pengetahuan dan teknologi dalam Artificial Intelligence yang sangat pesat saat ini, telah membawa perubahan yang sangat pesat pula dalam berbagai aspek kehidupan. Terutama kecerdasan buatan merupakan sebuah teknologi komputer atau mesin yang memiliki kecerdasan layaknya manusia. Sederhananya sebuah instruksi pintar yang diberikan kepada program maupun mesin, salah satunya yaitu Object Detection untuk mendeteksi citra buah menggunakan You Only Look Once (YOLO). Metode yang dapat digunakan untuk pengenalan objek pada citra buah adalah Deep Learning. You Only Look Once (YOLO) merupakan salah satu model Deep Learning yang dapat digunakan untuk pengenalan objek. Penelitian ini bertujuan untuk pengenalan objek pada citra buah menggunakan YOLO. Pada penelitian menggunakan sebanyak 300 gambar data dengan tiga kelas yaitu apel, jeruk dan pisang. Hasil penelitian menunjukan algoritma (YOLO) dapat mengenali objek pada citra buah dengan menggunakan pre-trained weights yang telah dilatih dengan nilai akurasi mAP sebesar 91%.

Downloads

Download data is not yet available.

Author Biographies

Dede Haris Saputra, Universitas Teknologi Mataram

 

 

Bahtiar Imran, Universitas Teknologi Mataram

 

 

Juhartini, Universitas Teknologi Mataram

 

 

References

Y. I. Kurniawan, E. Soviana, and I. Yuliana, “Merging Pearson Correlation and TAN-ELR algorithm in

recommender system,” AIP Conf. Proc., vol. 1977, no. August 2019, 2018, doi: 10.1063/1.5042998.

E. A. Shams and A. Rizaner, “A novel support vector machine based intrusion detection system for mobile

ad hoc networks,” Wirel. Networks, vol. 24, no. 5, 2018.

P. R. Kannari, N. S. Chowdary, and R. L. Biradar, “An anomaly-based intrusion detection system using

recursive feature elimination technique for improved attack detection,” Theor. Comput. Sci., vol. 931, 2022.

D. Hananta Firdaus, B. Imran, L. Darmawan Bakti, and E. Suryadi, “Klasifikasi Penyakit Katarak Pada

Mata Menggunakan Metode Convolutional Neural Network (Cnn) Berbasis Web,” J. Kecerdasan Buatan

dan Teknol. Inf., vol. 1, no. 3, pp. 18–26, 2022.

Y. Guo, S. Han, Y. Li, C. Zhang, and Y. Bai, “K-Nearest Neighbor combined with guided filter for hyperspectral image classification,” Procedia Comput. Sci., vol. 129, pp. 159–165, 2018, doi:10.1016/j.procs.2018.03.066.

A. Kumar and H. Singh, “A REVIEW ON SOFTWARE TESTING AND ITS METHODOLOGY By,” imanager’s J. Softw. Eng., vol. 3, no.1, p. 2013, 2013.

J. Jabez, G. Shanmugam, V. S, J. A. Mayan, and S. Srinivasulu, “Anomaly Detection by Using CFS Subset and Neural Network with WEKA Tools,” Inf. Commun. Technol. Intell., 2019.

Y. I. Kurniawan, A. Rahmawati, N. Chasanah, and A. Hanifa, “Application for determining the modality

preference of student learning,” J. Phys. Conf. Ser., vol. 1367, no. 1, 2019, doi: 10.1088/17426596/1367/1/012011.

Downloads

Published

2023-05-20

PlumX Metrics

Scite Metrics

Altmetric

How to Cite

[1]
D. H. Saputra, B. Imran, and Juhartini, “OBJECT DETECTION UNTUK MENDETEKSI CITRA BUAH-BUAHAN MENGGUNAKAN METODE YOLO”, JKBTI, vol. 2, no. 2, pp. 70–80, May 2023.

Issue

Vol. 2 No. 2 (2023): Mei 2023

Section

Articles

License

Copyright (c) 2023 Dede Haris Saputra, Bahtiar Imran, Juhartini

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Crossref
Scopus
Google Scholar
Europe PMC