Sistem Deteksi Sapi Pada Peternakan Dari Citra Dan Video Uav Menggunakan Algoritma Yolo
Abstrak
Abstrak—Dengan semakin majunya zaman banyak aspek dalam kehidupan manusia yang bekembang, salah satunya merupakan bidang peternakan yang saat ini semakin besar, dan dengan semakin besarnya peternakan dibutuhkan juga sistem pemantauan hewan ternak yang dapat mendeteksi hewan yang sedang tidak berada didalam kendang dan itulah yang diharapkan dapat dicapai dengan penggunaan YOLOv5 pada citra yang diambil oleh drone. YOLOv5 merupakan model deteksi objek yang digunakan untuk melakukan deteksi pada sapi di peternakan melalui citra yang diambil oleh drone atau UAV, untuk mencapai kemampuan deteksi tersebut dilakukan training menggunakan dataset gambar – gambar sapi dan juga perubahan konfigurasi hyperparameter pada algoritma untuk mendapatkan hasil deteksi yang optimal. Dataset yang digunakan dalam training adalah gambar sapi berjumlah 3131 dan non – sapi berjumlah 836. Konfigurasi hyperparameter paling optimal yang didapatkan adalah batch 32, learning rate 0.01, dan epoch 350 dengan hasil nilai precision 0,943, Recall 0,925, dan mAP 0,831. Hasil pengujian yang didapatkan adalah akurasi pada ketinggian lima meter dan keadaan diam 75%, ketinggian sepuluh meter memiliki rata – rata akurasi 69,1% dan 15 meter memiliki rata – rata akurasi 47.2%. Dalam kondisi drone bergerak pada kecepatan 0,1 m/s hasil akurasi yang didapatkan adalah 75% untuk lima meter, 0% untuk sepuluh meter dan 25% untuk 15 meter.
Kata kunci—YOLO, YOLOv5, Object detection, Training, Hyperparameter, Drone, Dataset
Referensi
REFERENSI
J. Redmon, S. Divvala, R. Girshick, and A.
Farhadi,
object detection,= Proc. IEEE Comput. Soc. Conf.
Comput. Vis. Pattern Recognit., vol. 2016-Decem,
pp. 779-788, 2016, doi: 10.1109/CVPR.2016.91.
https://ultralytics.github.io/ (accessed Jan. 20,
.
V. Wiley and T. Lucas,
Image Processing_: A Paper Review,= vol. 2, no. 1,
pp. 28-36, 2018, doi: 10.29099/ijair.v2i1.42.
P. A. Nugroho, I. Fenriana, R. Arijanto, and M.
Kom,
MENGGUNAKAN CONVOLUTIONAL
NEURAL NETWORK ( CNN ) PADA
EKSPRESI MANUSIA,= vol. 1, 2020.
L. Alzubaidi et al., Review of deep learning_:
concepts, CNN architectures, challenges,
applications, future directions. Springer
International Publishing, 2021.
Z. Q. Zhao, P. Zheng, S. T. Xu, and X. Wu,
Detection with Deep Learning: A Review,= IEEE
Trans. Neural Networks Learn. Syst., vol. 30, no.
, pp. 3212-3232, 2019, doi:
1109/TNNLS.2018.2876865.
K. O'Shea and R. Nash,
Convolutional Neural Networks,= pp. 1-11, 2015,
[Online]. Available:
http://arxiv.org/abs/1511.08458.
A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao,
Detection,= 2020, [Online]. Available:
http://arxiv.org/abs/2004.10934.
S. Wenkel, K. Alhazmi, T. Liiv, S. Alrshoud, and
M. Simon,
dimension of object detection performance
evaluation,= Sensors, vol. 21, no. 13, 2021, doi:
3390/s21134350.
https://blog.roboflow.com/a-thorough-breakdownof-yolov4/ (accessed Jan. 06, 2023).
Issue #280 _ ultralytics/yolov5 _ GitHub.=
https://github.com/ultralytics/yolov5/issues/280
(accessed Jan. 05, 2023).
L. Yang and A. Shami,
optimization of machine learning algorithms:
Theory and practice,= Neurocomputing, vol. 415,
pp. 295-316, 2020, doi:
1016/j.neucom.2020.07.061.
Z. Karimi,
Y. Pang, J. Cao, Y. Li, J. Xie, H. Sun, and J. Gong,
for Object Detection,= pp. 1-13.
Y. Xu and R. Goodacre,
Validation Set: A Comparative Study of CrossValidation, Bootstrap and Systematic Sampling for
Estimating the Generalization Performance of
Supervised Learning,= Journal of Analysis and
Testing, vol. 2, no. 3. pp. 249-262, 2018, doi:
1007/s41664-018-0068-2.
F. Ahmed, J. C. Mohanta, A. Keshari, and P. S.
Yadav,
Vehicles: A Review,= Arab. J. Sci. Eng., vol. 47,
no. 7, pp. 7963-7984, 2022, doi: 10.1007/s13369-
-06738-0.
