Pengaruh Jarak Objek Citra pada Model Deteksi dan Klasifikasi Botol Plastik menggunakan YOLO

Nurvelly Rosanti; Retnani Latifah; Sirojul Munir; Izzuddin Al Qossam Maududi

doi:10.54914/jtt.v10i1.1247

Penulis

Nurvelly Rosanti Universitas Muhammadiyah Jakarta
Retnani Latifah Universitas Muhammadiyah Jakarta
Sirojul Munir Sekolah Tinggi Teknologi Terpadu Nurul Fikri
Izzuddin Al Qossam Maududi Universitas Muhammadiyah Jakarta

DOI:

https://doi.org/10.54914/jtt.v10i1.1247

Kata Kunci:

Confusion Matrix, Deteksi Objek, Mean Average Precision, Roboflow, YOLOv8

Abstrak

Sampah botol plastik perlu dipisahkan baik berdasarkan bentuk dan ukuran untuk mempermudah proses daur ulang. Pemilahan botol plastik dapat menggunakan teknologi deteksi objek untuk mempermudah klasifikasi menggunakan citra. Pengambilan jarak citra mempengaruhi klasifikasi sampah botol, hal ini disebabkan botol yang ukuran besar jika dilihat dari jauh akan terlihat kecil begitu juga sebaliknya. Penelitian ini bertujuan membuat model deteksi dan klasifikasi botol plastik menggunakan algoritma YOLOv8 dengan bentuk botol yang sama tapi ukuran berbeda serta mengukur pengaruh jarak citra terhadap model. Botol terdiri dari tiga ukuran yaitu botol besar ukuran 1500 ml, botol sedang ukuran 600 ml dan ukuran kecil 330 ml. Pengambilan foto untuk dataset citra botol dilakukan pada jarak 80 cm dan 100 cm. Pembuatan dataset menggunakan Roboflow. Evaluasi kinerja model menggunakan Mean Average Precision dan pengujian model menggunakan confusion matrix. Hasil pengujian untuk model yang sama dengan jarak pengambilan citra memiliki nilai akurasi 100%. Pengujian citra jarak 80 cm diterapkan ke model 100 cm memiliki akurasi 67%. Pengujian untuk citra jarak 100 cm diterapkan pada model 80 cm masih cukup baik dengan akurasi 91,6%. Hasil yang diperoleh bahwa jarak citra mempengaruhi hasil pada model yang sudah dibangun sehingga gunakan citra yang sesuai dengan jarak yang diterapkan pada model.

Unduhan

Data unduhan belum tersedia.

Referensi

Sirojul Munir, Ahmad Adriansyah, Radon Dhelika, “Implementasi Arsitektur Aplikasi MVC pada Perancangan Aplikasi Bank Sampah Berbasis Web,” J. Teknol. Terpadu, vol. 4, no. 2, hal. 76–81, 2018, doi: https://doi.org/10.54914/jtt.v4i2.131.

Imamul Arifin, Reydiko Fakhran Haidi, “Penerapan Computer Vision Menggunakan Metode Deep Learning Pada Perspektif Generasi Ulul Albab,” J. Teknol. Terpadu, vol. 7, no. 2, hal. 98–107, 2021, doi: https://doi.org/10.54914/jtt.v7i2.436.

A. B. Wahyutama dan M. Hwang, “YOLO-Based Object Detection for Separate Collection of Recyclables and Capacity Monitoring of Trash Bins,” Electron., vol. 11, no. 9, 2022, doi: 10.3390/electronics11091323.

P. O. Parasian dan F. Utaminingrum, “Rancang Bangun Sistem Pengklasifikasi Jenis Sampah Organik dan Sampah Daur Ulang menggunakan Resnet50,” vol. 6, no. 4, hal. 2548–964, 2022, [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id.

W. L. Mao, W. C. Chen, H. I. K. Fathurrahman, dan Y. H. Lin, “Deep learning networks for real-time regional domestic waste detection,” J. Clean. Prod., vol. 344, no. October 2021, hal. 131096, 2022, doi: 10.1016/j.jclepro.2022.131096.

X. Long et al., “PP-YOLO: An Effective and Efficient Implementation of Object Detector,” 2020, [Daring]. Tersedia pada: http://arxiv.org/abs/2007.12099.

Y. Resnet, K. R. Tanjung, H. Juwiantho, dan J. S. Surabaya, “Klasifikasi Benda Organik dan Anorganik Dengan Metode.”

T. L. C. Tran, Z. C. Huang, K. H. Tseng, dan P. H. Chou, “Detection of Bottle Marine Debris Using Unmanned Aerial Vehicles and Machine Learning Techniques,” Drones, vol. 6, no. 12, hal. 14–16, 2022, doi: 10.3390/drones6120401.

R. A. M. AlShehri dan A. K. J. Saudagar, “Detecting Threats from Live Videos using Deep Learning Algorithms,” Int. J. Adv. Comput. Sci. Appl., vol. 14, no. 11, hal. 643–658, 2023, doi: 10.14569/IJACSA.2023.0141166.

H. Lou et al., “DC-YOLOv8: Small-Size Object Detection Algorithm Based on Camera Sensor,” Electron., vol. 12, no. 10, hal. 1–14, 2023, doi: 10.3390/electronics12102323.

M. Safaldin, N. Zaghden, dan M. Mejdoub, “An Improved YOLOv8 to Detect Moving Objects,” IEEE Access, vol. 12, no. May, hal. 59782–59806, 2024, doi: 10.1109/ACCESS.2024.3393835.

P. Jiang, D. Ergu, F. Liu, Y. Cai, dan B. Ma, “A Review of Yolo Algorithm Developments,” Procedia Comput. Sci., vol. 199, hal. 1066–1073, 2021, doi: 10.1016/j.procs.2022.01.135.

R. Hesananda, D. N. Simatupang, N. Wiliani, I. Technology, dan S. Program, “Cloth Bag Object Detection Using The Yolo Algorithm V5,” vol. 18, no. 2, 2022, doi: 10.33480/pilar.v18i2.3019.

Jupiyandi Saniputra, F. R. Pratama, dan Yoga Dharmawan, “Pengembangan Deteksi Citra Mobil Untuk Mengetahui Jumlah Tempat Parkir Menggunakan Cuda Dan Modified Yolo Development of Car Image Detection To Find Out the Number of Parking Space Using Cuda and Modified Yolo,” J. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 4, hal. 413–419, 2019, doi: 10.25126/jtiik.201961275.

L. Yu, M. Qian, Q. Chen, F. Sun, dan J. Pan, “An Improved YOLOv5 Model: Application to Mixed Impurities Detection for Walnut Kernels,” Foods, vol. 12, no. 3, 2023, doi: 10.3390/foods12030624.