Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Fitra Maulana
Universitas Bumigora
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Deteksi Biji-Bijian Familia Poaceae Menggunakan YOLOv8 Transfer Learning Berbasis Web Fitra Maulana; Tomi Tri Sujaka; Muhamad Azwar
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12723

Abstract

Famili Poaceae mencakup berbagai komoditas pangan penting, seperti padi, jagung, gandum, oat, sorgum, barley, dan millet, yang memiliki karakteristik visual hampir serupa sehingga proses identifikasi manual rentan terhadap kesalahan. Penelitian ini bertujuan mengembangkan sistem deteksi biji-bijian Famili Poaceae berbasis web menggunakan algoritma YOLOv8 dengan pendekatan transfer learning. Penelitian menerapkan metode eksperimen yang meliputi pengumpulan dan pelabelan data, prapemrosesan, pembagian dataset, pelatihan model, evaluasi performa, serta implementasi sistem. Dataset terdiri atas 3.500 citra dari tujuh kelas, dengan masing-masing kelas berjumlah 500 citra, yang dibagi menjadi 70% data pelatihan, 15% data validasi, dan 15% data pengujian. Model dilatih menggunakan PyTorch dan Ultralytics YOLOv8 pada Google Colab Pro dengan GPU NVIDIA A100, ukuran citra 640 × 640 piksel, batch size 64, dan optimizer AdamW. Model terbaik kemudian diintegrasikan ke dalam aplikasi web menggunakan Streamlit agar pengguna dapat mengunggah citra atau menggunakan kamera secara langsung. Hasil pengujian menunjukkan nilai precision sebesar 71,6%, recall 73,2%, mAP50 75,7%, dan mAP50-95 46,9%. Kelas jagung memperoleh performa terbaik dengan mAP50 95,9%, sedangkan kelas padi memperoleh nilai terendah sebesar 64,5%. Sistem yang dikembangkan mampu mendeteksi tujuh jenis biji-bijian secara otomatis, cepat, dan mudah diakses, sehingga berpotensi membantu masyarakat, petani, dan penyuluh pertanian dalam proses identifikasi serta mendukung digitalisasi sektor pertanian.
Co-Authors Muhamad Azwar Tomi Tri Sujaka