Available at https://jtsiskom.undip.ac.

id (3 January 2022) Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
DOI:10.14710/jtsiskom.2022.xxxxx

Aplikasi Identifikasi Spesies Ferrisia di Bengkulu Menggunakan Metode You

Only Look Once (YOLO)
Muhammad Reyhan Firdaus1)
1)
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Bengkulu
Jl. WR. Supratman Kandang Limun, Bengkulu, Indonesia 38371

Cara sitasi:M. R. Firdaus, "Aplikasi Identifikasi Spesies Ferrisia di Bengkulu Menggunakan Metode You Only
Look Once (YOLO)," Jurnal Teknologi dan Sistem Komputer, vol. 9, no. x, pp. xx-xx, 2023. doi:
10.14710/jtsiskom.2022.xxxxx [Online].

Abstract – Whiteflies are pests that attack various crops.

One genus of whiteflies is Ferrisia, which has only
recently been discovered to have two species in
Indonesia: F. Dasylirii and F. Virgata. Identification of
Ferrisia species requires the use of a microscope. The
difference between these two species lies in the location
of the discodial pores on the Tubular duct, with F.
Virgata having the pores located on the duct. The use
of computer vision technology provides a solution for
easily identifying Ferrisia species. This study aims to
produce annotated datasets of Ferrisia species in
Bengkulu Province and develop a YOLO-based Ferrisia
species identification application for a website. The best
model was obtained with the YOLOv5s architecture and
had an IoU threshold of 0.5, resulting in 0.712 for all
classes from the experiment. The results showed that
the YOLO method had an identification accuracy of
90.07% using 49 test data. The application was deployed
using Streamlit, a website-based platform.
Keywords – ferrisia; pest; species; YOLOv5s
Abstrak – Kutu putih merupakan hama yang
menyerang berbagai jenis tanaman budidaya. Salah
satu genus kutu putih yaitu Ferrisia yang saat ini baru
di temukan dua spesies di Indonesia yaitu F. Dasylirii
dan F, Virgata. Untuk mengidentifikasi spesies ferrisia
harus menggunakan mikroskop. Perbedaan diantara
kedua spesies ini adalah letak pori-pori discodialnya
yang berada pada Tubular Duck, untuk F virgata letak
pori-pori discodialnya. Penggunaan teknologi
computer vision menjadi slah satu solusi untuk
mengidentifikasi spesies ferrisia dengan mudah.
Penelitian ini bertujuan menghasilkan dataset spesies
ferrisia teranotasi yang ada di Provinsi Bengkulu,
Menghasilkan model YOLO untuk mengembangkan
aplikasi identifikasi spesies ferrisia berbasis website.
Model terbagus didapat pada model YOLO dengan
arsitektus small (YOLOv5s. ). Untuk nilai IoU
threshold sebesar 0,5 yang dihasilkan untuk semua
kelas dari percobaan ini yaitu 0,712. Hasil Percobaan
menunjukkan akurasi identifikasi menggunakan
metode YOLO mencapai 90.07% dengan menggunakan
49 data test. Aplikasi di deploy menggunakan streamlit
berbasis website.
Kata kunci – ferrisia; hama; spesies; YOLOv5s
I. PENDAHULUAN
Kutu putih (Hemiptera: Pseudococcidae) adalah
serangga kecil bersisik bertubuh lunak dinamai kutu
putih karena memiliki pelindung seperti tepung putih
dibagian badannya[1]. Kutu putih adalah famili dari
spesies Ferrisia, merupakan genus baru di dunia[2], saat
ini di dunia telah ditemukan 18 spesies[3] dan di
Indonesia baru ditemukan dua spesies ferrisia, yaitu
Ferrisia virgata, dan yang terbaru adalah spesies koya
Ferrisa dasylirii (Cockerell) (Hemiptera:
Pseudococcidae) telah direkam untuk pertama kali di
Indonesia[4].
Proses pengidentifikasian spesies kutu putih ini
sangat penting dikarenakan kutu putih merupakan hama
yang sangat berbahaya bagi tanaman, sebagai Pipe
Yellow Mottle Virus (PYMV) yang membuat tanaman
yang di hinggapinya bisa mati[5], untuk mengidentifikasi
jenis spesies dari kutu putih tidaklah mudah, karena
diperlukan mikroskop, proses pengidentifikasian ini
terbilang sangat sulit, hampir tidak terdapat sama sekali
perbedaan antara kedua spesies ini bila ditemukan di
lapangan. Untuk melihat perbedaan keduanya yaitu bisa
lihat pada letak posisi pori-pori diskoidalnya. Untuk
spesies F. virgata pori-pori diskoidalnya terletak di
tengah tubular duct sedangkan untuk Spesies F. dasylirii
pori-pori diskoidal terletak di tepi luar area sklerotisasi
dan seringkali dengan pori-pori dan sklerotisasi di
sekitarnya menonjol keluar dari tepi[4]. Proses
pengidentifikasian ini membatu peneliti untuk
mengetahui pembasmi yang tepat untuk menaggulangi
hama kutu putih ini.
Selain secara manual indentifikasi kutu putih bisa
dilakukan menggunakan bantuan computer vision.
Deteksi objek adalah cabang penting dalam bidang visi
komputer dan pemrosesan gambar. Deteksi objek adalah
proses mengidentifikasi kemunculan jenis objek tertentu
dalam gambar dan video[6]. Algoritma deteksi objek
telah menerima banyak perhatian dalam pembelajaran
mendalam[7] algoritma dalam pembelajaran mendalam
sangat berkembang hingga sekarang dan algoritma You
Only Look Once(YOLO) merupakan salah satu
algoritma yang sedang populer[8], seiring perkembangan
teknologi deteksi objek, rangkaian algoritma YOLO
dengan presisi dan kecepatan sangat tinggi telah

Copyright ©2023, The authors. Published by Department of Computer Engineering, Universitas Diponegoro
Submitted: 27 January 2021; Revised: 7 July 2021; Accepted: 10 August 2021; Published: 31 October 2021
Available at https://jtsiskom.undip.ac.id (3 January 2022)
DOI:10.14710/jtsiskom.2022.xxxxx
digunakan dalam berbagai tugas deteksi
pemandangan[9]. Pada saat yang sama sistem YOLO
menghitung semua fitur gambar dan memprediksi semua
objek. YOLOv5 adalah generasi kelima dari YOLO,
ditulis dalam bahasa pemrograman Python[10].Menurut
berbagai penelitian, YOLOv5 mengungguli model
YOLO lainnya dalam hal akurasi dan kecepatan[11].
II. METODE PENELITIAN
A. Dataset
Data yang digunkan dalam penelitian ini di ambil
secara langsung di laboratorium Fakultas Pertanian Uni-
versitas Bengkulu menggunakan kamera smartphone 12
MP (Mega Pixel) sehingga menghsilkan resolusi yang
baik. Penulis mengambil gambar langsung dari Mikros-
kop dengan bantuan tripod agar posisi smartphone fix
dan mempermudah proses pengambilan gambar seperti
pada Gambar 8Gambar 8Gambar 8Gambar 8.
Gambar 1 Proses pengambilan dataset menggunakan
smartphone
Data preparat ferrisia di peroleh dari Pakar Ento-
mologi Universitas Bengkulu. Total preparat yang
digunakan adalah 64 kaca preparat sehingga didapatkan
total 1023 gambar, dari 1023 gambar tersebut di seleksi
langsung dengan bantuan Pakar sehingga didapatkan
gambar yang benar-benar bisa di jadikan dataset ber-
jumlah 477 gambar karena hanya gambar yang memiliki
objek yang jelas dan posisi bintik discodialnya terlihat
agar gambar tersebut bisa dijadikan dataset.
Terdapat dua jenis spesies yang berhasil dan satu kelas
unidentified yang berhasil di validasi yaitu ferrisia vir-
gata dan ferrisia dasylirii. Proses validasi dilakukan Ber-
sama pakar terkait. Anotasi dan augmentasi dilakukan
dengan menggunakan annotation tool yang disediakan
oleh aplikasi Roboflow[12].
Gambar 2 contoh gambar spesies ferrisia
Copyright ©2023, The authors. Published by Department of Computer Engineering, Universitas Diponegoro
Submitted: 27 January 2021; Revised: 7 July 2021; Accepted: 10 August 2021; Published: 31 October 2021
Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
Pada proses anotasi, area setiap hama yang terdapat
pada citra di-bounding box dan diberi label sesuai dengan
jenis spesies tersebut. Gambar akan dibagi menjadi tiga
data yaitu data latih(70%), data validasi(20%) dan data
uji(10%). Selanjutnya augmentasi perlu dilakukan untuk
menambah variasi data citra input, satu citra input di-aug-
mentasi menjadi tempat citra output. Teknik augmentasi
yang digunakan ditunjukkan pada Gambar 8. Jumlah
keseluruhan dataset setelah dilakukan augmentasi adalah
1023 gambar.
Tabel 1. Augmentasi gambar dataset
No Teknik Nilai
1 Flip Horizontal, Vertikal
2 90° Rotation 100 horizontal, 100
vertikal
3 Brightness 10% terang & 10% gelap
4 Blur 0,5px
B. You Only Look Once (YOLO)
Salah satu Metode jaringan saraf convolutional adalah
YOLO. YOLO diperkenalkan oleh Joseph Chet Redmon,
yang Seorang ilmuwan komputer yang sangat menyukai
bidang mesin Belajar, analisis data dan programmer. dia
memperkenalkan YOLO dan mitranya Santosh, Ross,
Zach dan Ali. Kehadiran YOLO pada tahun 2015 dengan
makalah yang dirilis oleh Joseph Redmon et al (2016)
“You Only Look Once: Unified, Real-time Object Detec-
tion” segera mendapat banyak perhatian dari sesama
peneliti computer vision. Pendahulu YOLO yaitu Region
Convolutional Network (R-CNN) menggunakan Regions
Proposal Networks (RPNs) yang menghasilkan bounding
box pada gambar input terlebih dahulu, kemudian men-
jalankan classifier pada bounding box, kemudian men-
erapkan pasca-pemrosesan untuk menghapus deteksi
duplikat serta memperbaiki bounding box[10].
Gambar 3 Ilustrasi kerja YOLO
Model YOLO disesuaikan dengan langkah awal yaitu
membagi citra masukan menjadi Beberapa sel kisi, di
mana setiap sel bertanggung jawab untuk prediksi Kotak
pembatas jika kotak pembatas tengah disertakan. setiap
sel Prediksi grid melibatkan kotak pembatas lebar, tinggi
dan koordinat nilai x,y kepercayaan diri. Prediksi
kategori juga didasarkan pada setiap sel. sebagai
Misalnya, sebuah gambar dibagi menjadi kisi 7x7, dan
setiap sel dalam kisi dapat Memprediksi dua kotak
pembatas, menghasilkan 98 prediksi kotak pembatas
Available at https://jtsiskom.undip.ac.id (3 January 2022)
DOI:10.14710/jtsiskom.2022.xxxxx
disarankan. kemudian kelas probabilitas percaya diri dan
kotak pembatas Dikombinasikan ke dalam kotak
pembatas akhir dan label kelas[13].
C. Model dan Training
Yolo merupakan single stage object detector yang
terdiri dari Model Backbone, Model Neck, dan Model
Head. Model Backbone berfungsi untuk ekstraksi fitur
dari citra input. Model Neck digunakan untuk
menghasilkan fitur piramid yang dapat membuat sistem
memiliki kemampuan mendeteksi objek dengan skala
berbeda. Model Head berfungsi untuk deteksi final[14].
Gambar 4 Arsitektur Model YOLOv5
YOLOv5 terdiri atas beberapa release version, dan
saat penelitian ini dilakukan, keluaran terbaru yang
digunakan adalah model YOLOv5 – v6.0 release.
YOLOv5 memiliki akurasi deteksi yang tinggi, model
ringan dan kecepatan deteksi yang tinggi, sehingga
YOLOv5 sangat cocok untuk sistem deteksi real time
pada embedded devices`[14].
C. Evaluasi Model
Untuk mengamati performa pelatihan model, indi-
kator-indikator yang diamati adalah train dan validation
loss data, precision, recall, F1, mAP@0.5,
mAP@0.5:0.95 dan mAP versus GPU Speed. Train dan
validation loss masing-masing terdiri dari box loss, ob-
ject loss dan class loss. Box loss adalah loss yang
disebabkan oleh prediksi box[15]. Object loss adalah loss
karena salah prediksi objek Intersection over Union
(IoU)[16]. IoU adalah rasio luas area tumpang tindih
dengan luas area gabungan dari predicted bounding
box[17]. Class loss adalah loss yang disebakan penyim-
pangan dari memprediksi '1' untuk kelas yang benar dan
'0' untuk semua kelas lain untuk objek di dalam box[17].
Precision, recall dan F1 dihitung dengan
menggunakan data matriks konfusi dengan
menggunakan persamaan x, y dan z. Presisi menunjuk-
kan rasio prediksi positif sejati terhadap semua data pred-
iksi positif. Penarikan kembali menunjukkan rasio pred-
iksi positif sejati terhadap semua data positif nyata.
Matriks kebingungan menunjukkan kinerja prediksi ob-
jek ke label objek yang benar. Confusion matrix berisi
informasi True Positive (TP), True Negative (TN), False
Positive (FP), dan False Negative (FN). Bentuk confu-
sion matrix ditunjukkan pada Gambar 8, TP menunjuk-
kan jumlah prediksi positif yang benar, TN menunjukkan
jumlah prediksi negatif yang benar, FP menunjukkan
jumlah prediksi positif palsu, dan FN menunjukkan
Copyright ©2023, The authors. Published by Department of Computer Engineering, Universitas Diponegoro
Submitted: 27 January 2021; Revised: 7 July 2021; Accepted: 10 August 2021; Published: 31 October 2021
Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
jumlah prediksi negatif palsu. Persamaan untuk
mendapatkan precision, recall dan F1.
Gambar 5 Confusion Matrix
TP
Precision = TP+FP (1)
TP
Recall = (2)
TP+FN
𝑟𝑒𝑐𝑎𝑙𝑙 𝑥 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛
F1 = 2 𝑥 𝑟𝑒𝑐𝑎𝑙𝑙 +𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 (3)
Average precision mengindikasikan apakah model
dapat mengidentifikasi real positive label tanpa banyak
melakukan kesalahan memprediksi real negative label
sebagai positive label. Oleh karena itu, average precision
tinggi jika model berhasil memprediksi positive label
dengan benar. Nilai average precision merupakan luas
area di bawah kurva precision-recall berdasarkan nilai
confidence threshold yang berbeda. Jika precision dan
recall, masing-masing bernilai 1, maka nilai average pre-
cision adalah 1. Nilai rata-rata dari average precision
semua hasil deteksi disebut mean Average Precision
(mAP).
Best trained model dari setiap training epoch
YOLOv5 ditentukan berdasarkan persamaan (4). Best of
the best trained model dan dievaluasi lebih lanjut pada
test dataset.
𝑏𝑒𝑠𝑡 = max{(0.1 × 𝑚𝐴𝑃@0.5) × (0.9 × 𝑚𝐴𝑃@0.5: 0.95)} (4)
Untuk validasi, nilai confidence threshold default
yang digunakan oleh YOLOv5 adalah 0.001, namun hal
ini dapat mengakibatkan precision yang rendah dan recall
yang tinggi. Untuk mengatasi hal ini, nilai confidence
terbaik untuk gunakan dipilih berdasarkan kurva
confidence terhadap TF1, yaitu nilai confidence pada
nilai TF1 tertinggi. Untuk evaluasi model berdasarkan
mAP digunakan IoU 0.5 (mAP@0.5) dan mAP rata-rata
dengan IoU 0.5:0.95 (mAP@0.5:0.95) dengan step 0.05.
Sedangkan untuk implementasi deteksi, primary
challenge metric menggunakan mAP@0.5:0.95,
PASCAL VOC metric menggunakan mAP@0.5,
sedangkan strict metric menggunakan mAP@0.75. Pada
penelitian ini digunakan IoU threshold 0.6 yang
merupakan Non-Maximum Suppression IoU (NMS-IoU)
default YOLO5v[18].
Available at https://jtsiskom.undip.ac.id (3 January 2022) Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
DOI:10.14710/jtsiskom.2022.xxxxx

III. HASIL DAN PEMBAHASAN

A. Hasil training model YOLOv5s

Proses training dilakukan pada google colab[19], [20]
dengan memasukkan script train YOLOv5s dengan
menggunakan patience 200 dan maksimal epoch 3000.
Hasil dari pelatihan ini bisa di lihat pada Gambar 8.
mAP@5.0 untuk semua kelas yaitu 0.712, ini sudah
sesuai standar dari batas minimal mAP’ di machine
learning. Training model juga menghasilkan grafik-
grafik pada Gambar 8yang terdiri dari grafik mAP_0.5,
grafik object loss, grafik precision, grafik recall, grafik (a)
box loss dan grafik class loss. Grafik ini akan menjadi
acuan pada saat evaluasi model.

Tabel 2 Hasil Training YOLOv5s

Class P R mAP@.5 mAp@.5:.95
All 0.682 0.692 0.712 0.538
dasylirii 0.524 0.831 0.629 0.495
unidentified 0.619 0.614 0.675 0.459
virgata 0.903 0.631 0.83 0.659

(b)

(a) (b)

(c)

(c) (d)

(e) (f)
Gambar 6 Grafik Training YOLOv5s : (a) Grafik
mAP_0.5, (b) Grafik object loss (c) Grafik precision, (d)
Grafik recall, (e) Grafik box loss, (f) Grafik class loss (d)
Gambar 7 Matrix Evaluasi : (a) F1 confidence curve,
(b) Recall confidence curve, (c) Precision recall
B. Evaluasi model YOLOv5s curve, (d) Precision confidence curve
Performa training model YOLOv5s, precission
memiliki nilai tertinggi 1 dengan nilai 0,887, recall
tertinggi 0,99 dengan confidence mendekati 0. Hal ini
mengindikasikan bahwa precision dan recall tidak dapat
dijadikan metric evaluasi performa yang cukup bagi

Copyright ©2023, The authors. Published by Department of Computer Engineering, Universitas Diponegoro
Submitted: 27 January 2021; Revised: 7 July 2021; Accepted: 10 August 2021; Published: 31 October 2021
Available at https://jtsiskom.undip.ac.id (3 January 2022)
DOI:10.14710/jtsiskom.2022.xxxxx
model. Nilai confidence yang akan digunakan untuk
sistem deteksi tidak dapat diambil dari kedua indikator
ini. Nilai confidence yang tinggi menyebabkan tingkat
keberhasilan prediksi TP menjadi rendah, namun
prediksi FP juga menjadi rendah. Dan sebaliknya jika
confidence rendah, maka prediksi TP menjadi tinggi,
namun FP juga menjadi tinggi. Untuk mendapatkan
kemampuan deteksi terbaik, nilai confidence yang
digunakan adalah nilai confidence pada F1-Score
tertinggi. Berdasarkan kurva F1-Score pada gambar 7 for
all classes, F1-Score tertinggi adalah 0.67 dengan nilai
confidence adalah 0.389.
Dari total 49 file citra dataset test dengan
menggunakan confidence threshold default dan IoU 0.5
hanya 40 file citra yang terdeteksi dan 9 file citra tidak
terdeteksi adanya objek. Pengujian dataset test dengan
menggunakan confidence threshold 0.389 yang
meupakan hasil dari F1-score dan IoU 0.5 yang
merupakan IoU terbaik menghasilkan semua gambar
dapat terdeksi dapat di lihat pada, artinya Confidence
threshold sangat mempengaruhi peforma deteksi objek.
Predicted Objects
(49 images, 76 objects, and 3 classes)
Unidentified 3 23
Dasylirii 4 32
Virgata 1 13
0 10 20 30
true predictions false predictions
Gambar 8 Predicted Object
Berdasarkan hasil pengujian menggunakan dataset
test dapat di simpulkan bahwa dengan menggunakan
nilai dari confidence threshold 0.389 dan IoU 0.5
mendapatkan hasil terbaik, selanjutnya akan di lihat pe-
forma sesungguhnya dari kinerja objek deteksi spesies
ferrisia dengan melihat prediksi objek yang di tampilkan,
berdasarkan pada grafik yang di tampilkan pada Gambar
8, untuk kelas unidentified memiliki score true prediction
sebesar 88,46%, kelas dasyliri memiliki score true pre-
dictions sebesar 88,89%, dan kelas virgata memiliki
score true predictions 92,86%. Dengan hasil ini di dapat
hasil akhir score prediksi semua kelas adalah 90,07%,
apabila dilihat dari hasil predisi semua kelas dapat
dikatakan bahwa hasil dari objek deteksi spesies ferrisia
sudah dangat baik.
C. Deployment aplikasi
Model YOLOv5s yang sudah dievaluasi di expor
dengan menggunakan google colab yang menghasilkan
file best.pt. File akan di masukkan ke dalam aplikasi yang
sudah di deploy menggunakan website streamlit.
Streamlit adalah framework open-source untuk membuat
aplikasi web interaktif menggunakan Python. Ini
membuat mudah untuk membuat aplikasi web yang
memungkinkan pengguna untuk mengeksplorasi dan
Copyright ©2023, The authors. Published by Department of Computer Engineering, Universitas Diponegoro
Submitted: 27 January 2021; Revised: 7 July 2021; Accepted: 10 August 2021; Published: 31 October 2021
Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
memvisualisasikan data yang dikhususkan dalam
membangun sebuah aplikasi website di bidang data
science[21].
Gambar 9 Tampilan aplikasi ferrisia detector
Aplikasi deteksi spesies ferrisia ini diberi nama
“Ferrisia Detector” yang bisa di akses melalui laman
https://reyhanfirdaus10-ferrisiadetector-home-
amv9a1.streamlit.app/. Cara penggunaan aplikasi ini
dengan mengupload gambar citra spesies ferrisia
kemudian aplikasi akan mendeteksi secara otomatis
spesies dari gambar citra yang di upload.
IV. KESIMPULAN
Dataset spesies ferrsia berjumlah 1139 gambar, setelah
dilakukan augmentasi menjadi 2832 gambar.Deteksi ob-
jek spesies ferrisia dengan menggunakan metode
YOLOv5 dapat dilakukan dengan menggunakan arsi-
tektur small dengan mendapatkan mAP 0,712 dengan
40 hasil deteksi sebesar 90.07%. Deploy aplikasi
menggunakan library streamlit yang bisa di akses pada
https://reyhanfirdaus10-ferrisiadetector-home-
amv9a1.streamlit.app/.
DAFTAR PUSTAKA
[1] B. Abduchalek and A. Rauf, “Kutu putih sing-
kong, Phenacoccus manihoti Matile-Ferrero (He-
miptera: Pseudococcidae): persebaran geografi di
Pulau Jawa dan rintisan pengendalian hayati,” J.
Hama Dan Penyakit Tumbuh. Trop., vol. 17, no.
1, pp. 1–8, 2017.
[2] F. Nurmasari and S. P. Si, “Identifikasi Keane-
karagaman dan Pola Sebaran Hama Kutu Putih
dan Musuh Alaminya pada Tanaman Singkong
(Manihot esculenta) di Kabupaten Banyuwangi,”
BIOTROPIKA J. Trop. Biol., vol. 8, no. 3, 2020.
[3] I. K. W. Yudha, I. W. Supartha, and I. W. Susila,
“Karakteristik morfologi dan kelimpahan populasi
parasitoid (Hymenoptera) pada hama invasif kutu
putih ubi kayu, Phenacoccus manihoti Matile-Fer-
erro (Hemiptera: Pseudococcidae) di Bali,”
Agrotrop, vol. 10, no. 2, pp. 178–189, 2020.
[4] A. Zarkani, D. Apriyanto, F. Turanli, and M. B.
Kaydan, “COCCOMORPHA: PSEUDOCOC-
CIDAE) IN INDONESIA,” 2020.
Available at https://jtsiskom.undip.ac.id (3 January 2022)
DOI:10.14710/jtsiskom.2022.xxxxx
[5] M. D. R. BALFAS, “KARAKTERISTIK BI-
OLOGI DAN MOLEKULER SERTA PENGEN-
DALIAN VIRUS PENYEBAB PENYAKIT
KERDIL PADA LADA”.
[6] R. Rahmania, F. Corputty, S. A. Wibowo, D. E.
Saputra, and A. Istiqomah, “Exploration of The
Impact of Kernel Size for YOLOv5-based Object
Detection on Quadcopter,” JOIV Int. J. Inform.
Vis., vol. 6, no. 3, p. 726, Sep. 2022, doi:
10.30630/joiv.6.3.898.
[7] I. Ahmad et al., “Deep Learning Based Detector
YOLOv5 for Identifying Insect Pests,” Appl. Sci.,
vol. 12, no. 19, p. 10167, Oct. 2022, doi:
10.3390/app121910167.
[8] Y. Pratama and E. Rasywir, “Eksperimen Penera-
pan Sistem Traffic Counting dengan Algoritma
YOLO (You Only Look Once) V. 4.,” J. Media
Inform. Budidarma, vol. 5, no. 4, pp. 1438–1446,
2021.
[9] R. W. Arief, “Sistem Deteksi dan Pengenalan
Rambu Lalu Lintas Di Indonesia Mengunakan Al-
goritma YOLOv4= Traffic Sign Detection and
Recognition System in Indonesia Using the
YOLOv4 Algorithm,” PhD Thesis, Universitas
Hasanuddin, 2021.
[10] S. M. Abas, A. M. Abdulazeez, and D. Q. Zeeba-
ree, “A YOLO and convolutional neural network
for the detection and classification of leukocytes
in leukemia,” Indones. J. Electr. Eng. Comput.
Sci., vol. 25, no. 1, p. 200, Jan. 2022, doi:
10.11591/ijeecs.v25.i1.pp200-213.
[11] N. E. Budiyanta, M. Mulyadi, and H. Tanudjaja,
“Sistem Deteksi Kemurnian Beras berbasis Com-
puter Vision dengan Pendekatan Algoritma
YOLO,” J. Inform. J. Pengemb. IT JPIT, vol. 6,
2021.
[12] A. Nugroho and M. R. A. Cahyono, “IMPLE-
MENTASI OBJECT RECOGNITION PADA
RAMBU-RAMBU DAN LAMPU LALU
LINTAS DENGAN RASPBERRY PI DENGAN
ALGORITMA YOLOV5,” Sebatik, vol. 26, no. 2,
pp. 549–556, 2022.
©2023. This article is an open access article distributed under the terms and conditions of the Creative
Commons Attribution-ShareAlike 4.0 International License.
Copyright ©2023, The authors. Published by Department of Computer Engineering, Universitas Diponegoro
Submitted: 27 January 2021; Revised: 7 July 2021; Accepted: 10 August 2021; Published: 31 October 2021
Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
[13] L. Zhao, Y. Pan, S. Wang, L. Zhang, and M. S.
Islam, “Skip-YOLO: Domestic Garbage Detec-
tion Using Deep Learning Method in Complex
Multi-scenes,” In Review, preprint, Aug. 2021.
doi: 10.21203/rs.3.rs-757539/v1.
[14] M. A. Zulkiflie, “IMPLEMENTASI ALGO-
RITMA OBJECT DETECTION YOLOV4 DAN
EUCLIDEAN DISTANCE DALAM
MENDETEKSI PELANGGARAN SOCIAL
DISTANCING,” PhD Thesis, Universitas Ha-
sanuddin, 2021.
[15] A. F. Fandisyah, N. Iriawan, and W. S. Winahju,
“Deteksi Kapal di Laut Indonesia Menggunakan
YOLOv3,” J. Sains Dan Seni ITS, vol. 10, no. 1,
pp. D25–D32, 2021.
[16] J. Redmon and A. Farhadi, “YOLOv3: An Incre-
mental Improvement”.
[17] T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P.
Dollár, “Focal Loss for Dense Object Detection,”
in 2017 IEEE International Conference on Com-
puter Vision (ICCV), Oct. 2017, pp. 2999–3007.
doi: 10.1109/ICCV.2017.324.
[18] L. Gao, X. Yi, Z. Jiang, L. Hao, and Z. Tang,
“ICDAR2017 competition on page object detec-
tion,” in 2017 14th IAPR International Confer-
ence on Document Analysis and Recognition
(ICDAR), 2017, vol. 1, pp. 1417–1422.
[19] P. Jiang, D. Ergu, F. Liu, Y. Cai, and B. Ma, “A
Review of Yolo algorithm developments,” Proce-
dia Comput. Sci., vol. 199, pp. 1066–1073, 2022.
[20] H. F. Hasya, H. H. Nuha, and M. Abdurohman,
“Real Time-based Skin Cancer Detection System
using Convolutional Neural Network and
YOLO,” in 2021 4th International Conference of
Computer and Informatics Engineering (IC2IE),
2021, pp. 152–157.
[21] A. B. Prasetyo and T. G. Laksana, “Optimization
of K-Nearest Neighbors Algorithm with Cross
Validation Techniques for Diabetes Prediction
with Streamlit,” J. Appl. Inform. Comput., vol. 6,
no. 2, pp. 194–204, 2022.