BERNARDUS REYNALDI ANANDA, PRIASMARA IMPLEMENTASI SISTEM DETEKSI KERUSAKAN ASET BERBASIS CITRA DENGAN CONVOLUTIONAL NEURAL NETWORK (CNN) PADA APLIKASI MOBILE. [TA] (Submitted)
|
Text
312110001_Bernardus Reynaldi Ananda Priasmara_LapTA.pdf Download (4MB) | Preview |
Abstract
Inspeksi kerusakan aset kampus yang dilakukan secara manual sering terlambat dan rawan inkonsistensi. Untuk menjawab masalah ini, penelitian ini mengembangkan sistem deteksi kerusakan kursi berbasis visi komputer dengan memanfaatkan model You Only Look Once (YOLO). Empat jenis kerusakan yang menjadi fokus adalah jamur, cat mengelupas, patah, dan roda rusak. Seluruh citra dilatih menggunakan resolusi seragam 1024×1024 dengan pendekatan transfer learning, kemudian dievaluasi menggunakan metrik precision, recall, F1-Score, serta mAP (mAP@50 dan mAP@50–95). Selain akurasi, penelitian ini juga menilai kestabilan pelatihan melalui kurva loss dan konsistensi antar-epoch, serta mengkaji potensi integrasi hasil deteksi pada aplikasi mobile untuk mendukung manajemen aset secara real-time.
Hasil pengujian memperlihatkan bahwa YOLOv8s memberikan performa paling optimal dengan rata-rata precision 0,852, recall 0,703, F1-Score 0,770, mAP@50 sebesar 0,769, dan mAP@50–95 sebesar 0,697 berdasarkan validasi silang 5-fold. Model ini unggul tipis namun konsisten dibanding YOLOv5s yang mencatat precision 0,772, recall 0,730, F1-Score 0,751, mAP@50 sebesar 0,737, dan mAP@50–95 sebesar 0,690. Sementara itu, YOLOv11n menonjol dalam aspek sensitivitas dengan recall 0,737 dan mAP@50 tertinggi 0,772, meski presisinya lebih rendah (0,745) dan mAP@50–95 masih terbatas di 0,672. Perbandingan ini menegaskan bahwa YOLOv8s memiliki keseimbangan terbaik antara akurasi, generalisasi, dan efisiensi, sementara YOLOv5s relevan sebagai alternatif yang stabil, dan YOLOv11n menawarkan sensitivitas lebih tinggi meskipun dengan risiko false positive. Dengan demikian, YOLOv8s direkomendasikan sebagai model utama untuk mendukung otomasi deteksi kerusakan kursi berbasis citra, yang siap diintegrasikan ke pipeline pengawasan maupun aplikasi mobile.
| Item Type: | TA |
|---|---|
| Uncontrolled Keywords: | deteksi kerusakan aset, CNN, YOLOv8, Flutter, aplikasi mobile |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software |
| Divisions: | Fakultas Teknologi dan Desain > S1 Teknik Informatika |
| Depositing User: | adminperpus ma chung |
| Date Deposited: | 30 Oct 2025 04:37 |
| Last Modified: | 30 Oct 2025 04:37 |
| URI: | http://repository.machung.ac.id/id/eprint/943 |
Actions (login required)
 |
View Item |