Pengembangan Aplikasi Berbasis Web Untuk Deteksi Kualitas Telur Ayam Menggunakan Algoritma Yolov5
Abstract
Abstrak — Rooftop Farming Center (RFC) Universitas Telkom Surabaya merupakan inovasi agrikultur urban yang menghadapi tantangan dalam standardisasi kualitas telur, sebuah faktor krusial untuk pendapatan dan kepuasan pelanggan. Penelitian ini bertujuan mengembangkan aplikasi berbasis web untuk deteksi kualitas telur ayam secara otomatis menggunakan algoritma YOLOv5. Metode pengembangan sistem yang digunakan adalah Waterfall, dengan arsitektur yang memisahkan antarmuka web (Laravel) dan API pemrosesan model (Flask). Dataset citra telur yang dikumpulkan akan melalui proses preprocessing dan augmentasi data digunakan untuk melatih tiga varian model: YOLOv5s, YOLOv5m, dan YOLOv5l. Hasil evaluasi komparatif menunjukkan YOLOv5m sebagai model optimal dengan mean Average Precision (mAP) pada Intersection over Union (IoU) 0.5 sebesar 0.95, recall 0.94, dan precision 0.91. Pengujian fungsionalitas sistem melalui black-box testing menunjukkan bahwa seluruh fitur aplikasi berjalan sesuai spesifikasi. Penelitian ini membuktikan bahwa YOLOv5 dapat diimplementasikan secara fungsional dalam sistem web untuk meningkatkan objektivitas sortir kualitas telur.
Kata kunci— deteksi kualitas telur, yolov5, deep learning, aplikasi web, waterfall
References
[1] K. R. Gharizah Alhuur, A. Pratama, and E. Yuniarti, “Kualitas dan Cara Penyimpanan Telur yang Baik dalam Upaya Menjaga Asupan Gizi Optimal di Masa Pandemi COVID-19,” Farmers: Journal of Community Services, vol. 1, no. 1, p. 24, Aug. 2020, doi: 10.24198/fjcs.v1i1.28647.
[2] S. Jenderal - Kementerian, P. Sekretariat, and J.-K. Pertanian, “Pusat Data dan Sistem Informasi Pertanian.”
[3] R. Hussein Hasan, R. Majid Hassoo, and I. Salman Aboud, “Yolo Versions Architecture: Review,” International Journal of Advances in Scientific Research and Engineering, vol. 09, no. 11, pp. 73–92, 2023, doi: 10.31695/ijasre.2023.9.11.7.
[4] U. S. Senarath, “Waterfall Methodology, Prototyping and Agile Development,” 2021, doi: 10.13140/RG.2.2.17918.72001.
[5] B. I. J. Dede Haris Saputra, “Object Detection untuk Mendeteksi Citra Buah-Buahan Menggunakan Metode YOLO,” 2023.
[6] R. Kaamtsaalil Salsabiilaa, B. Hidayat, and S. Darana, “Deteksi Kualitas dan Kesegaran Telur Ayam Ras Berdasarkan Deteksi Objek Transparan dengan Metode Grey Level Co-Occurrence Matrix (GLCM) dan Klasifikasi K-Nearest Neighbor (KNN),” 2016.
[7] S. Maulana, “Deteksi Kesegaran Telur Ayam pada Citra Cangkang Menggunakan Metode Convolutional Neural Network (CNN),” 2024.
