Deteksi Hama Belalang Pada Tanaman Sawi Menggunakan Algoritma YOLO

Mulia, Muhammad Abrar (2026) Deteksi Hama Belalang Pada Tanaman Sawi Menggunakan Algoritma YOLO. S1 thesis, Universitas Andalas.

	Text (01. Cover & Abstrak) 01. Cover & Abstrak.pdf - Published Version Download (137kB)
	Text (02. BAB I) 02. BAB I.pdf - Published Version Download (435kB)
	Text (03. BAB IV) 03. BAB IV.pdf - Published Version Download (64kB)
	Text (04 . Daftar Pustaka) 04 . Daftar Pustaka.pdf - Published Version Download (171kB)
	Text (05. Skripsi Fulltext) 05. Skripsi Fulltext.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Dalam budidaya tanaman sawi, kerugian hasil panen akibat serangan hama belalang dapat menurunkan hasil produksi secara signifikan serta merugikan petani secara ekonomi. Pemantauan keberadaan hama secara manual sering kali tidak efisien dan lambat, sehingga memungkinkan infestasi meluas sebelum tindakan penanggulangan dilakukan. Oleh karena itu, penelitian ini mengusulkan sebuah sistem deteksi hama belalang secara real-time berbasis algoritma YOLOv5 Nano yang diimplementasikan pada Raspberry Pi 4. Sistem ini bekerja dengan cara menangkap gambar secara kontinu dari kamera di sekitar area tanaman sawi dan memprosesnya menggunakan model YOLOv5 Nano untuk mendeteksi keberadaan hama belalang. Ketika hama terdeteksi, sistem secara otomatis mengaktifkan buzzer sebagai peringatan real-time serta mengirimkan data deteksi, termasuk foto yang ditangkap dan tingkat kepercayaan (confidence level), ke peladen (server) dengan interval terbatas untuk menghindari pengiriman data yang berulang. Hasil deteksi tersebut kemudian ditampilkan melalui dashboard untuk dipantau oleh pengguna. Dataset dibagi menjadi data latih (training), validasi (validation), dan uji (test). Model dilatih sebanyak 120 epoch dengan ukuran gambar 1024 × 1024 piksel menggunakan kerangka kerja (framework) Ultralytics YOLOv5. Ketika belalang terdeteksi dengan tingkat kepercayaan yang memadai, sistem akan memicu buzzer sebagai sinyal peringatan/pengusir serta menampilkan status deteksi pada layar LCD. Pelatihan model menghasilkan nilai Presisi (Precision) sebesar 97%, Recall sebesar 77,8%, mAP50 sebesar 84,3%, dan mAP50-95 sebesar 52,2% pada data validasi.

Actions (login required)

View Item