Paper Reyhan Jtsiskom
Paper Reyhan Jtsiskom
id (3 January 2022) Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
DOI:10.14710/jtsiskom.2022.xxxxx
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].
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) Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
DOI:10.14710/jtsiskom.2022.xxxxx
Data yang digunkan dalam penelitian ini di ambil Tabel 1. Augmentasi gambar dataset
secara langsung di laboratorium Fakultas Pertanian Uni-
versitas Bengkulu menggunakan kamera smartphone 12 No Teknik Nilai
MP (Mega Pixel) sehingga menghsilkan resolusi yang 1 Flip Horizontal, Vertikal
2 90° Rotation 100 horizontal, 100
baik. Penulis mengambil gambar langsung dari Mikros-
vertikal
kop dengan bantuan tripod agar posisi smartphone fix 3 Brightness 10% terang & 10% gelap
dan mempermudah proses pengambilan gambar seperti 4 Blur 0,5px
pada Gambar 8Gambar 8Gambar 8Gambar 8.
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) Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
DOI:10.14710/jtsiskom.2022.xxxxx
disarankan. kemudian kelas probabilitas percaya diri dan jumlah prediksi negatif palsu. Persamaan untuk
kotak pembatas Dikombinasikan ke dalam kotak mendapatkan precision, recall dan F1.
pembatas akhir dan label kelas[13].
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) Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
DOI:10.14710/jtsiskom.2022.xxxxx
(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) Jurnal Teknologi dan Sistem Komputer, 10(x), 2022, 1-10
DOI:10.14710/jtsiskom.2022.xxxxx
model. Nilai confidence yang akan digunakan untuk memvisualisasikan data yang dikhususkan dalam
sistem deteksi tidak dapat diambil dari kedua indikator membangun sebuah aplikasi website di bidang data
ini. Nilai confidence yang tinggi menyebabkan tingkat science[21].
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 Gambar 9 Tampilan aplikasi ferrisia detector
terdeteksi adanya objek. Pengujian dataset test dengan
Aplikasi deteksi spesies ferrisia ini diberi nama
menggunakan confidence threshold 0.389 yang
“Ferrisia Detector” yang bisa di akses melalui laman
meupakan hasil dari F1-score dan IoU 0.5 yang
https://reyhanfirdaus10-ferrisiadetector-home-
merupakan IoU terbaik menghasilkan semua gambar
amv9a1.streamlit.app/. Cara penggunaan aplikasi ini
dapat terdeksi dapat di lihat pada, artinya Confidence
dengan mengupload gambar citra spesies ferrisia
threshold sangat mempengaruhi peforma deteksi objek.
kemudian aplikasi akan mendeteksi secara otomatis
Predicted Objects spesies dari gambar citra yang di upload.
(49 images, 76 objects, and 3 classes)
IV. KESIMPULAN
Unidentified 3 23
Dataset spesies ferrsia berjumlah 1139 gambar, setelah
Dasylirii 4 32 dilakukan augmentasi menjadi 2832 gambar.Deteksi ob-
jek spesies ferrisia dengan menggunakan metode
Virgata 1 13 YOLOv5 dapat dilakukan dengan menggunakan arsi-
tektur small dengan mendapatkan mAP 0,712 dengan
0 10 20 30 40 hasil deteksi sebesar 90.07%. Deploy aplikasi
true predictions false predictions menggunakan library streamlit yang bisa di akses pada
https://reyhanfirdaus10-ferrisiadetector-home-
Gambar 8 Predicted Object
amv9a1.streamlit.app/.
Berdasarkan hasil pengujian menggunakan dataset
test dapat di simpulkan bahwa dengan menggunakan DAFTAR PUSTAKA
nilai dari confidence threshold 0.389 dan IoU 0.5
mendapatkan hasil terbaik, selanjutnya akan di lihat pe- [1] B. Abduchalek and A. Rauf, “Kutu putih sing-
forma sesungguhnya dari kinerja objek deteksi spesies kong, Phenacoccus manihoti Matile-Ferrero (He-
ferrisia dengan melihat prediksi objek yang di tampilkan, miptera: Pseudococcidae): persebaran geografi di
berdasarkan pada grafik yang di tampilkan pada Gambar Pulau Jawa dan rintisan pengendalian hayati,” J.
8, untuk kelas unidentified memiliki score true prediction Hama Dan Penyakit Tumbuh. Trop., vol. 17, no.
sebesar 88,46%, kelas dasyliri memiliki score true pre- 1, pp. 1–8, 2017.
dictions sebesar 88,89%, dan kelas virgata memiliki [2] F. Nurmasari and S. P. Si, “Identifikasi Keane-
score true predictions 92,86%. Dengan hasil ini di dapat karagaman dan Pola Sebaran Hama Kutu Putih
hasil akhir score prediksi semua kelas adalah 90,07%, dan Musuh Alaminya pada Tanaman Singkong
apabila dilihat dari hasil predisi semua kelas dapat (Manihot esculenta) di Kabupaten Banyuwangi,”
dikatakan bahwa hasil dari objek deteksi spesies ferrisia BIOTROPIKA J. Trop. Biol., vol. 8, no. 3, 2020.
sudah dangat baik. [3] I. K. W. Yudha, I. W. Supartha, and I. W. Susila,
“Karakteristik morfologi dan kelimpahan populasi
C. Deployment aplikasi parasitoid (Hymenoptera) pada hama invasif kutu
putih ubi kayu, Phenacoccus manihoti Matile-Fer-
Model YOLOv5s yang sudah dievaluasi di expor erro (Hemiptera: Pseudococcidae) di Bali,”
dengan menggunakan google colab yang menghasilkan Agrotrop, vol. 10, no. 2, pp. 178–189, 2020.
file best.pt. File akan di masukkan ke dalam aplikasi yang [4] A. Zarkani, D. Apriyanto, F. Turanli, and M. B.
sudah di deploy menggunakan website streamlit. Kaydan, “COCCOMORPHA: PSEUDOCOC-
Streamlit adalah framework open-source untuk membuat CIDAE) IN INDONESIA,” 2020.
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
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
[5] M. D. R. BALFAS, “KARAKTERISTIK BI- [13] L. Zhao, Y. Pan, S. Wang, L. Zhang, and M. S.
OLOGI DAN MOLEKULER SERTA PENGEN- Islam, “Skip-YOLO: Domestic Garbage Detec-
DALIAN VIRUS PENYEBAB PENYAKIT tion Using Deep Learning Method in Complex
KERDIL PADA LADA”. Multi-scenes,” In Review, preprint, Aug. 2021.
[6] R. Rahmania, F. Corputty, S. A. Wibowo, D. E. doi: 10.21203/rs.3.rs-757539/v1.
Saputra, and A. Istiqomah, “Exploration of The [14] M. A. Zulkiflie, “IMPLEMENTASI ALGO-
Impact of Kernel Size for YOLOv5-based Object RITMA OBJECT DETECTION YOLOV4 DAN
Detection on Quadcopter,” JOIV Int. J. Inform. EUCLIDEAN DISTANCE DALAM
Vis., vol. 6, no. 3, p. 726, Sep. 2022, doi: MENDETEKSI PELANGGARAN SOCIAL
10.30630/joiv.6.3.898. DISTANCING,” PhD Thesis, Universitas Ha-
[7] I. Ahmad et al., “Deep Learning Based Detector sanuddin, 2021.
YOLOv5 for Identifying Insect Pests,” Appl. Sci., [15] A. F. Fandisyah, N. Iriawan, and W. S. Winahju,
vol. 12, no. 19, p. 10167, Oct. 2022, doi: “Deteksi Kapal di Laut Indonesia Menggunakan
10.3390/app121910167. YOLOv3,” J. Sains Dan Seni ITS, vol. 10, no. 1,
[8] Y. Pratama and E. Rasywir, “Eksperimen Penera- pp. D25–D32, 2021.
pan Sistem Traffic Counting dengan Algoritma [16] J. Redmon and A. Farhadi, “YOLOv3: An Incre-
YOLO (You Only Look Once) V. 4.,” J. Media mental Improvement”.
Inform. Budidarma, vol. 5, no. 4, pp. 1438–1446, [17] T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P.
2021. Dollár, “Focal Loss for Dense Object Detection,”
[9] R. W. Arief, “Sistem Deteksi dan Pengenalan in 2017 IEEE International Conference on Com-
Rambu Lalu Lintas Di Indonesia Mengunakan Al- puter Vision (ICCV), Oct. 2017, pp. 2999–3007.
goritma YOLOv4= Traffic Sign Detection and doi: 10.1109/ICCV.2017.324.
Recognition System in Indonesia Using the [18] L. Gao, X. Yi, Z. Jiang, L. Hao, and Z. Tang,
YOLOv4 Algorithm,” PhD Thesis, Universitas “ICDAR2017 competition on page object detec-
Hasanuddin, 2021. tion,” in 2017 14th IAPR International Confer-
[10] S. M. Abas, A. M. Abdulazeez, and D. Q. Zeeba- ence on Document Analysis and Recognition
ree, “A YOLO and convolutional neural network (ICDAR), 2017, vol. 1, pp. 1417–1422.
for the detection and classification of leukocytes [19] P. Jiang, D. Ergu, F. Liu, Y. Cai, and B. Ma, “A
in leukemia,” Indones. J. Electr. Eng. Comput. Review of Yolo algorithm developments,” Proce-
Sci., vol. 25, no. 1, p. 200, Jan. 2022, doi: dia Comput. Sci., vol. 199, pp. 1066–1073, 2022.
10.11591/ijeecs.v25.i1.pp200-213. [20] H. F. Hasya, H. H. Nuha, and M. Abdurohman,
[11] N. E. Budiyanta, M. Mulyadi, and H. Tanudjaja, “Real Time-based Skin Cancer Detection System
“Sistem Deteksi Kemurnian Beras berbasis Com- using Convolutional Neural Network and
puter Vision dengan Pendekatan Algoritma YOLO,” in 2021 4th International Conference of
YOLO,” J. Inform. J. Pengemb. IT JPIT, vol. 6, Computer and Informatics Engineering (IC2IE),
2021. 2021, pp. 152–157.
[12] A. Nugroho and M. R. A. Cahyono, “IMPLE- [21] A. B. Prasetyo and T. G. Laksana, “Optimization
MENTASI OBJECT RECOGNITION PADA of K-Nearest Neighbors Algorithm with Cross
RAMBU-RAMBU DAN LAMPU LALU Validation Techniques for Diabetes Prediction
LINTAS DENGAN RASPBERRY PI DENGAN with Streamlit,” J. Appl. Inform. Comput., vol. 6,
ALGORITMA YOLOV5,” Sebatik, vol. 26, no. 2, no. 2, pp. 194–204, 2022.
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