Evaluasi Kinerja YOLOv8 dalam Identifikasi Kesegaran Ikan dengan Metode Deteksi Objek
Abstrak
Identifikasi kesegaran ikan merupakan aspek penting dalam industri perikanan karena mempengaruhi kualitas dan nilai jual produk akhir. Teknologi deteksi objek menawarkan solusi modern untuk mengotomatisasi proses ini, menggantikan metode manual yang seringkali memakan waktu dan kurang akurat. Dalam penelitian ini, dilakukan evaluasi kinerja YOLOv8, yaitu sebuah model deteksi objek untuk mengidentifikasi kesegaran ikan. Dataset yang digunakan dalam penelitian ini mencakup citra ikan cakalang yang diperoleh dari Perusahaan Aruna dan sumber-sumber tambahan. Data dianotasi dan diproses menggunakan platform Roboflow yang memfasilitasi pra-pemrosesan dan augmentasi data. Model YOLOv8 kemudian dilatih dan dievaluasi di lingkungan Google Colab dengan fokus pada akurasi, kecepatan, dan keandalannya dalam mendeteksi perbedaan antara ikan segar dan tidak segar. Hasilnya menunjukkan bahwa YOLOv8 mampu mencapai nilai mAP (mean Average Precision) lebih dari 87%, yang menunjukkan bahwa model memiliki efisiensi dan keakuratan dalam melakukan identifikasi kesegaran ikan. Kesimpulannya, YOLOv8 berpotensi untuk diadopsi secara luas dalam industri perikanan sebagai alat untuk meningkatkan efisiensi dan memastikan kualitas produk perikanan yang lebih baik.
Kata kunci— deteksi objek, YOLOv8, kesegaran ikan, industri perikanan, mean Average Precision (mAP).
Referensi
C. Litaay, S. Hari Wisudo, and H. Arfah, "Penanganan Ikan Cakalang oleh Nelayan Pole and Line," Jurnal Pengolahan Hasil Perikanan Indonesia, vol. 23, no. 1, pp. 112–121, Apr. 2020, doi: 10.17844/jphpi.v23i1.30924.
S. Soepardi, Sugiono, S. Nurhakim, and R. Sutanto, "Studi tentang Penanganan Hasil Tangkapan Ikan Cakalang (Katsuwonus pelamis) dengan Alat Tangkap Purse Seine KM. Anugerah Barokah di Perairan Nusa Tenggara Timur," Jurnal Bahari Papadak, vol. 3, no. 2, pp. 100-111, 2022.
S. Aras, P. Tanra, and M. Bazhar, "Deteksi Tingkat Kematangan Buah Tomat Menggunakan YOLOv5," MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, pp. 623–628, Mar. 2024, doi: 10.57152/malcom.v4i2.1270.
K. M. Knausgård et al., "Temperate fish detection and classification: a deep learning based approach," Applied Intelligence, vol. 52, no. 6, pp. 6988–7001, Mar. 2021, doi: 10.1007/s10489-020-02154-9.
Y. Li, Q. Fan, H. Huang, Z. Han, and Q. Gu, "A Modified YOLOv8 Detection Network for UAV Aerial Image Recognition," Drones, vol. 7, no. 5, p. 304, May 2023, doi: 10.3390/drones7050304.
J. Terven, D.-M. Córdova-Esparza, and J.-A. RomeroGonzález, "A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS," Machine Learning and Knowledge Extraction, vol. 5, no. 4, pp. 1680–1716, Nov. 2023, doi: 10.3390/make5040083.
M. Kukuh Isnaen and A. Stefanie, "Implementasi Raspberry PI dalam Alat Klasifikasi Penyakit Mata dengan Arsitektur YOLOv8 menggunakan Oftalmoskop," JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 3, pp. 1885–1889, Nov. 2023, doi: 10.36040/jati.v7i3.6950.
M. R. Ardiansyah, Y. Supit, and M. S. Said, "Sistem Visi Komputer untuk Kalkulasi Kepadatan Kendaraan menggunakan Algoritma YOLO," Simtek : Jurnal Sistem Informasi dan Teknik Komputer, vol. 7, no. 1, pp. 52–59, Apr. 2022, doi: 10.51876/simtek.v7i1.123.
Paperspace, "YOLOv8: A Revolutionary Advancement in Object Detection," Paperspace Blog, [Online]. Available: https://blog.paperspace.com/yolov8-arevolutionary-advancement-in-object-detection-2/. Accessed: Jul. 6, 2024.
M. Sohan, T. Sai Ram, and Ch. V. Rami Reddy, "A Review on YOLOv8 and Its Advancements," Algorithms for Intelligent Systems, pp. 529–545, 2024, doi: 10.1007/978-981-99-7962-2_39.
Y. Swathi and M. Challa, "YOLOv8: Advancements and Innovations in Object Detection," Smart Trends in Computing and Communications, pp. 1–13, 2024, doi: 10.1007/978-981-97-1323-3_1.
N. J. Hayati, D. Singasatia, and M. R. Muttaqin, "Object Tracking Menggunakan Algoritma You Only Look Once (YOLO)v8 untuk Menghitung Kendaraan," Komputa : Jurnal Ilmiah Komputer dan Informatika, vol. 12, no. 2, pp. 91–99, Nov. 2023, doi: 10.34010/komputa.v12i2.10654.
R. Gelar Guntara, "Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritma Deep Learning YOLOv7," Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 5, no. 1, pp. 55–60, Feb. 2023, doi: 10.47233/jteksis.v5i1.750.
P. A. Nugroho, I. Fenriana, and R. Arijanto, "Implementasi deep learning menggunakan convolutional neural network (CNN) pada ekspresi manusia," Algor, vol. 2, no. 1, pp. 12-20, 2020.
J. Tremblay, T. To, and S. Birchfield, "Falling Things: A Synthetic Dataset for 3D Object Detection and Pose Estimation," 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Jun. 2018, doi: 10.1109/cvprw.2018.00275.
J. Sanjaya and M. Ayub, "Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup," Jurnal Teknik Informatika dan Sistem Informasi, vol. 6, no. 2, Aug. 2020, doi: 10.28932/jutisi.v6i2.2688.
N. J. Hayati, D. Singasatia, and M. Muttaqin, "Object Tracking Menggunakan Algoritma You Only Look Once (Yolo)V8 Untuk Menghitung Kendaraan," Jurnal Ilmiah Komputer dan Informatika, vol. 12, no. 2, pp. 91–99, Oct. 2023, doi: https://doi.org/10.34010/komputa.v12i2.106 54.
Ultralytics, "Issue #6793: [Bug] The content should be downloaded via browser rather than wget," GitHub, [Online]. Available: https://github.com/ultralytics/ultralytics /issues/6793. Accessed: Jul. 4, 2024.
H. M. Lathifah, L. Novamizanti, & S. Rizal, "Fast and accurate fish classification from underwater video using you only look once," in IOP Conference Series: Materials Science and Engineering, vol. 982, no. 1, pp. 012003). IOP Publishing, December 2020.
F. Akhyar, L. Novamizanti, T. Putra, E. N. Furqon, M. C. Chang, & C. Y. Lin, "Lightning YOLOv4 for a surface defect detection system for sawn lumber," in 2022 IEEE 5th International Conference on Multimedia Information Processing and Retrieval (MIPR) (pp. 184- 189). IEEE, August 2022.
F. Akhyar, L. Novamizanti, & T. Riantiarni, "Sistem inspeksi cacat pada permukaan kayu menggunakan model deteksi obyek YOLOv5," ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 10, no.4, pp. 990, 2022.
A. K. Aziz, M. D. Maulana, R. F. Adawiyah, R. F. Firdaus, L. Novamizanti, & F. Ramdhon, "Comparative analysis of YOLOv8 models in skipjack fish quality assessment system," in 2023 3rd International Conference on Intelligent Cybernetics Technology & Applications (ICICyTA) (pp. 237-242). IEEE, December 2023.
S. Azizah, Wahidin, M. Padang, L. Novamizanti, S Saidah. Identifying the Ripeness and Quality Level of Strawberries Based on YOLOv7-EfficientNet. The 5th International Conference on Data Science and Its Applications (ICoDSA). IEEE, July 2024.
B. A. Wicaksono, L. Novamizanti, & N. Ibrahim, "Tea leaf maturity levels based on ycbcr color space and clustering centroid," In Journal of Physics: Conference Series (Vol. 1367, No. 1, pp. 012028). IOP Publishing, November 2019.
