2.1.

Tinjauan Pustaka
Dalam hal ini penelitian dalam penggunaan yolo pada deteksi objek ubi jalar telah
dilakukan dengan beberapa metode. Penelitian ini juga membutuhkan tinjauan pustaka
sebagai alat dan bahan sebagai acuan dalam penelitian. Tinjauan penelitian ini sebagai
parameter dalam metode yang digunakan peneliti untuk mengetahui penelitian yang sama
pada objek tersebut. Tinjauan pustaka dapat dilihat pada table daftar literatur dibawah ini
pada Tabel 2.1.
Tabel 2.1 Tinjauan Pustaka

No Judul Masalah Tujuan Metode Hasil

Kecepatan
Serangan gelombang dan
kumbang koefisien
cylas atenuasi yang
formicarius Untuk dibangun dapat
Prediksi deteksi atau lebih mengkaji digunakan untuk
Pengukuran
kerusakan ubi dikenal karakteristik memilah antara
karakteristik
jalar cilembu dengan nama gelombang ubi jalar cilembu
gelombang
akibat serangan hama lanas. ultrasonik pada terserang lanas
1 ultrasonik
lanas Hama lanas ubi jalar dan yang sehat,
amplitudo
menggunakan menyerang cilembu sehat walaupun belum
dan moment
gelombang pada saat dan yang begitu akurat,
zero power
ultrasonik proses terkena dengan nilai
budidaya serangan lanas. persentase
maupun pada keberhasilan
saat berturutturut
penyimpanan sebesar 77.14 %
dan 74.29 %.
2 Penerapan Proses Untuk Learning Hasil dari
neural network pengklasifika menghasilkan quantization penelitian ini
menggunakan sian jenis ubi sistem yakni sistem
metode learning jalar masih klasifikasi klasifikasi jenis
quantization dilakukan jenis ubi jalar ubi jalar dengan
untuk klasifikasi secara dengan metode metode learning
ubi jalar konvensional learning vector vector
dan belum quantization quantization
terkomputeris dengan image dengan image
asi processing di processing
dinas pertanian dimana pada data
kota pagar training
alam. menghasilkan 69
data berhasil dan
11 data tidak
berhasil sehingga
mendapat
persentase
No Judul Masalah Tujuan Metode Hasil
sebesar 86,25%.
Kemudian
setelah dilakukan
holdout
validation dengan
20 data testing
menghasilkan 18
data berhasil dan
2 data tidak
berhasil dengan
persentase
sebesar 90%.
Hasil penelitian
ini menunjukan
bahwa hasil
simulasi
menunjukkan
bahwa metode
yang diusulkan
Real-time object Simulasi
memiliki deteksi
detection deteksi
Yolo v3 dan objek yang lebih
3 method for realtime untuk
Yolo v4-tiny cepat daripada
embedded embedded
YOLOv4-tiny
devices device
dan YOLOv3-
tiny, dan nilai
rata-rata presisi
rata-rata yang
hampir sama
dengan
YOLOv4-tiny
Banyak
Hasil penelitian
diantaranya,
ini menunjukan
Pengenalan masyarakat
bahwa Program
Rambu Lalu kurang Pengenalan
pengenalan
Lintas di memahami rambu-rambu
rambu lalu lintas
4 Indonesia Secara arti-arti lalu lintas di Yolo v4-Tiny
menggunakan
Realtime rambu lalu Indonesia
YOLOv4-tiny
Menggunakan lintas yang secara realtime
mampu mencapai
YOLOv4-tiny berada di
rata-rata recall
jalan raya
72.9%
maupun di tol
5 Video Index Belum adanya Mendeteksi Yolo v4 Hasil penelitian
Point Detection deteksi pada video index ini menunjukan
and Extraction video index pada bahwa akurasi
Framework pada framework sekitar 96%
Using Custom framework, menggunakan
YoloV4 Darknet sehingga yolo v4
No Judul Masalah Tujuan Metode Hasil
banyak
mengalami
Object Detection
kesulitan darknet
Model
dalam
pengenalan
Sistem Cerdas
Hasil penelitian
Penghitung
ini menunjukan
Jumlah Mobil
Untuk bahwa pengujian
untuk
Mengetahui pada beberapa
6 Mengetahui Yolo v4
Ketersediaan video, didapatkan
Ketersediaan
Lahan Parkir tingkat akurasi
Lahan Parkir
program sebesar
berbasis Python
72,8%
dan YOLO v4
Hasil penelitian
ini menunjukan
bahwa n
quadcopter drone
yang terintegrasi
dengan
groundstation
menggunakan
algoritma
YOLOv4
Rancang Bangun
berhasil
Quadcopter Membangun
mendeteksi api
Drone Untuk Quadcopter
7 Yolo v4 dengan
Deteksi Api Drone Untuk
menghasilkan
Menggunakan Deteksi Api
rata-rata akurasi
YOLOv4
sebesar 0.92.
Akurasi terbaik
didapat pada
pengujian ke 3
dengan skor
precision sebesar
0.96, skor recall
sebesar 0.98 dan
skor accuracy
sebesar 0.96
8 PREFERENSI produk yang untuk metode Hasil analisis
KONSUMEN dipandang mengetahui accidental chisquer
TERHADAP penting oleh pengaruh sampling menunjukkan
UBI JALAR konsumen atribut produk bahwa apakah
UNGU dan dijadikan terhadap terdapat
(Ipomoea batatas dasar preferensi pengaruh atribut
Var. pengambilan konsumen produk terhadap
Ayamurasaki) keputusan pada ubi jalar preferensi
No Judul Masalah Tujuan Metode Hasil
konsumen pada
ubi jalar ungu
atau tidak
DI DESA terdapat
AJAKKANG pengaruh atribut
KECAMATAN produk terhadap
SOPPENG pembelian. ungu preferensi
RIAJA konsumen pada
KABUPATEN ubi jalar ungu di
BARRU Desa Ajak kang
Kecamatan
Soppeng Riaja
Kabupaten Barru
mengevaluasi
PRODUKTIVIT pengaruh
AS TANAMAN untuk
semua jenis ubi
UBI JALAR merevegetasi
jalar lokal dapat
LOKAL Penurunan lahan terbuka
tumbuh
(Ipomoea produktivitas bekas
berkembang di
batatas) ternak penambangan
lahan terbuka
DENGAN kambing akan batu kapur
rancangan bekas
PEMUPUKAN berakibat pula dengan
9 acak lengkap penambangan
SERASAH pada tanaman ubi
(RAL) batu kapur
KOMPOS menurunnya jalar lokal
dengan level
KAMBING DI tingkat (Ipomoea
pemupukan
LAHAN kesejahteraan batatas) yang
serasah kompos
BEKAS peternak. dipupuk
kambing minimal
PENAMBANG dengan serasah
10 ton/ha.
AN BATU kompos
KAPUR kambing milik
peternak.
10 POTENSI Pemanfaatan untuk Ekstraksi Hasil
AKTIVITAS ubi jalar ungu mengetahui Bioaktivitas menunjukkan
ANTIOKSIDA di Indonesia potensi ekstrak kedua bahan
N UBI JALAR masih sangat ubi jalar yang tinggi akan
(Ipomoea batatas kurang. Ubi (Ipomoea antioksidan ini
L.) UNGU DAN jalar ungu batatas L.) dapat
EKSTRAK memiliki ungu dan dimanfaatkan
BUNGA kandungan ekstrak bunga sebagai bahan
TELANG serat yang telang (Clitoria tambahan dalam
(Clitoria ternatea cukup tinggi, ternatea L.) formulasi permen
L.) DALAM yakni sebesar sebagai bahan jeli sebagai
PEMBUATAN 4,59%. tambahan penambah nilai
PERMEN JELI: pembuatan gizi dan pewarna
REVIEW permen jeli, alami.
guna
meningkatkan
No Judul Masalah Tujuan Metode Hasil
nilai gizi dan
aktivitas
antioksidan
Permasalahan
Jumlah data yang
yang sering
digunakan adalah
terjadi yaitu
256 data latih dan
banyaknya n klasifikasi
40 data uji.
Ensiklopedia varietas bentuk daun
Metode K-
Digital Varietas mempunyai menggunakan
Nearest Neighbor
Ubi Jalar kemiripan gabungan
mampu
Berdasarkan sehingga parameter Metode K-
mengklasifikasi
11 Klasifikasi Citra menimbulkan morfologi dan Nearest
citra daun ubi
Daun kesulitan tekstur serta Neighbor.
jalar untuk
Menggunakan dalam metode
ensiklopedia
K-Nearest membedakan klasifikasi K-
digital dengan
Neighbor varietas ubi Nearest
tingkat akurasi
jalar Neighbor.
95% dengan
khususnya
variasi nilai K =
bagi petani
23 dan K = 25
pemula
Partisipasi
peserta sangat
baik, yang
terlihat dari
Kebanyakan
antusiame peserta
masyarakatny
untuk dalam mengikuti
a
Pembuatan Selai meningkatkan kegiatan
mengonsumsi
Ubi Jalar Ungu pengetahuan sehingga tingkat
umbi-umbian
Di Desa Hitu dan Penyuluhan, pengetahuan
yang hanya
12 Kecamatan ketrampilan demonstrasi, mengenai
direbus,
Leihitu, masyarakat pelatihan karakteristik dan
dikukus,
Kabupaten dalam manfaat
maupun
Maluku Tengah membuat selai kesehatan ubi
digoreng,
ubi jalar ungu jalar ungu
termasuk ubi
meningkat serta
jalar ungu
menjadi terampil
dalam membuat
selai ubi jalar
ungu.
13 Uji Organoleptik Ubi jalar untuk True Pada hasil
dan Uji Kadar ungu segar mendeskripsik Experimental penelitian Pada
Air Formulasi tidak bertahan an dan MOCAF penelitian
Brownies Kukus pada waktu. menganalisis tersebut dari uji
Tepung Ubi yang lama uji organoleptik
Jalar Ungu dan organoleptik pada indikator
Tepung dan uji kadar warna brownies
air terhadap kukus paling
No Judul Masalah Tujuan Metode Hasil
disukai adalah
formulasi
60%:40%, pada
indikator rasa,
aroma, tekstur,
dan keseluruhan
formulasi brownies kukus
brownies paling disukai
kukus tepung adalah formulasi
ubi jalar ungu 30%:70% dan
dan tepung dari hasil uji
MOCAF. kadar air yang
mendapat nilai
rata rata tertinggi
pada brownies
kukus adalah
formulasi
70%:30%.
Tujuan
Perbedaan Hasil penelitian ini
dan Kualitas Ubi adalah Hasil terbaik
Jalar (Ipomoea mengetahui terdapat pada
Batatas L.) pengaruh perlakuan
Akibat ekstrak konsentrasi
14
Perendaman bawang merah ekstrak bawang
Stek dan lama merah 90% dan
Menggunakan perendaman lama perendaman
Ekstrak Bawang terhadap hasil 90 menit
Merah dan kualitas
ubi jalar.
15 Behind the Masalah Penelitian ini Yolo Deteksi masker
Mask: Detection deteksi akan menunjukkan
and Recognition membutuhkan melakukan hasil yang
Based-on Deep classifier deteksi topeng menjanjikan
Learning yang dapat menggunakan dengan
menentukan YOLO dan MAP=0.8960
apakah wajah pengenalan pada pelatihan
tersebut wajah dan
bertopeng menggunakan MAP=0.8957
atau tidak, model pra pada validasi.
dan kita perlu terlatih. YOLO Kami memilih
mengetahui adalah salah model exception
lokasi wajah satu arsitektur dalam
ini. Deteksi detektor satu pengenalan
topeng itu tahap yang wajah karena
menantang populer kualitas yang
karena dilakukan sebanding
No Judul Masalah Tujuan Metode Hasil
dengan
ResNet152V2
tetapi memiliki
parameter yang
lebih sedikit.
exception
mencapai nilai
loss minimal
dalam validasi
sebesar 0,09157
dalam deteksi dengan akurasi
pendeteksian sempurna pada
topeng dan
yang ada citra wajah yang
menunjukkan
hanya lebih besar dari
akurasinya
dikembangka 100 piksel.
yang efisien
n untuk wajah Secara
dan berkualitas
tanpa masker. keseluruhan,
tinggi
sistem ini
memberikan hasil
yang menjanjikan
dan dapat
mengidentifikasi
wajah, bahkan
jika wajah
tersebut
bermasker.

16 DETEKSI DAN proses memperkenalk Yolo v3 YOLO ini

PENGENALAN pendeteksian an model berhasil digarap
OBJEK objeknya algoritma dan ditingkatkan
DENGAN masih YOLO (You ke taraf yang
MODEL dilakukan only look lebih baik. Selain
MACHINE secara manual once) yang itu, keberhasilan
LEARNING: yang mana memiliki dalam
MODEL YOLO manusia kemampuan menerapkan
masih sangat kecepatan model YOLO
terlibat dalam pemrosesan pada GPU
memberikan pendeteksian konvensional
masukan ke gambar yang juga memberikan
sistem cukup tinggi keuntungan yang
mengenai apa dan dengan besar bagi
saja yang akurasi yang berbagai pihak.
perlu mampu
dideteksi oleh menyaingi
sistem. model-model
algoritma yang
ada
No Judul Masalah Tujuan Metode Hasil
sebelumnya.
Dataset berupa
650 gambar
golongan
kendaraan,
setelah di
augmentasi
menjadi 1547
Dengan adanya
Kemacetan gambar. Proses
pendeteksian
yang terjadi training
golongan
di Gerbang dilakukan
kendaraan
Tol Otomatis menggunakan
secara otomatis
(GTO) Multi Google Colabs.
maka
Kendaraan Video rekaman
Simulasi deteksi diharapkan
salah satunya lalu lintas
golongan waktu tunggu
disebabkan kendaraan yang
kendaraan pada pada gerbang
17 oleh adanya Yolo v4 sedang berjalan
gerbang tol tol dapat
proses akan menjadi
menggunakan memenuhi
penentuan inputan pada
YOLOv4 Standar
golongan pengujian
Pelayanan
kendaraan implementasi
Minimal
secara manual aplikasi Python.
(SPM) Jalan
oleh petugas Dari pengujian
Tol yaitu
pada control yang telah
maksimal 5
room. dilakukan dapat
detik.
dilihat bahwa
model sudah
dapat mendeteksi
golongan
kendaraan
dengan cukup
efektif
18 Eksperimen Kegiatan Evaluasi Yolo V4 Dari hasil
Penerapan Traffic ketepatan eksperimen yang
Sistem Traffic Counting Sistem Traffic dilakukan dalam
Counting dengan pada Counting ini penelitian ini,
Algoritma umumnya diharapkan diperoleh hasil
YOLO (You dilakukan dapat menjadi deteksi yang
Only Look dengan dua penujang mempunyai
Once) V.4. cara yakni proses kegiatan akurasi yang
dengan di bidang cukup baik pada
penghitungan manajemen hasil pemisahan
manual dan rekayasa frame-frame dari
(dengan alat lalu lintas. video data.
tulis) dan
penghitungan
mekanik
No Judul Masalah Tujuan Metode Hasil
(dengan alat
counter)
IDENTIFIKASI
PERSON PADA
GAME FIRST
tingkat
PERSON
keberhasilan
SHOOTER
YOLO yang luar
(FPS) Pemain baru Mendeteksi
biasa. YOLO
MENGGUNAK biasanya tidak dan
akurasi
AN YOLO memiliki mengklasifikas
klasifikasi
OBJECT reaksi yang i citra person Yolo V3 dan
19 sebesar 65%, dan
DETECTION cepat dalam dengan Yolo V4
presisi sebesar
DAN mengetahui menggunakan
98% dengan
DIIMPLEMEN lawan(person) metode
peforma
TASIKAN disekitarnya. YOLO.
inference pada
SEBAGAI
YOLO Tiny
AGENT
sebesar 30FPS.
CERDAS
AUTOMATIC
TARGET HIT
—Aktivitas di
jalan raya
yang
melibatkan
kendaraan
untuk
seringkali Bounding box
melakukan
terdapat berhasil
pendeteksian
masalah mendeteksi dan
kendaraan di
Deteksi kemacetan mengklasifikasi
jalan raya akan
Kendaraan akibat objek secara
menggunakan
Secara Real memadatnya tepat. Pengujian
metode YOLO
Time kuantitas ini dilakukan
20 sebagai Yolo
Menggunakan kendaraan menggunakan
detektor dan
Metode YOLO yang berada perangkat
untuk
Berbasis di jalan raya. smartphone
pengambilan
Android Selain itu, ada xiaomi redmi 4X
data latih serta
pula masalah dengan resolusi
pengujiannya
ketertiban dan video berukuran
menggunakan
pelanggarann 768x432 piksel.
android
ya,
penggunaan
jalur yang
tidak pada
tempatnya,