Shrimp-Detector App Aplikasi Website untuk Mendeteksi Udang Menggunakan Custom Model YOLOv8, Onnxruntime-web API, dan React Js
:
https://doi.org/10.32409/jikstik.23.2.3583
Abstract
Industri akuakultur atau perikanan di Indonesia telah berkembang pesat dan merupakan sektor yang memiliki peran penting dalam perekonomian dan pasokan pangan nasional di Indonesia. Salah satu komoditas perikanan yang berkembang pesat di Indonesia adalah udang. Teknologi pendeteksian objek dapat membantu para petambak udang dalam mendeteksi udang dan menentukan jumlah udang yang terdeteksi. Dalam penelitian ini, akan dibangun aplikasi website “Shrimp-Detector App” yang dapat mendeteksi udang dan menghitung jumlah udang yang terdeteksi menggunakan YOLOv8, Onnxruntime-web API, dan React Js. Dataset yang digunakan adalah dataset dengan dua kelas, yaitu udang dan bukan_udang dengan jumlah data citra sebanyak 6630. Proses anotasi citra dilakukan dengan menggunakan roboflow. Proses training dataset dilakukan dengan menggunakan Google Colaboratory, YOLOv8, dan hasil yang didapat disimpan di Google Drive.. Pembuatan aplikasi website menggunakan framework javascript yaitu react js. Proses deployment menggunakan tools Netlify sebagai provider CI/CD deployment tools. Pelatihan dilakukan dengan total 300 epoch. Nilai rata-rata precision sebesar 92.57%, sedangkan nilai recall sebesar 88.2%. Akurasi model diperoleh nilai 93.2%. Hasil ini menggambarkan bahwa model relatif stabil dalam mengklasifikasikan objek dengan tepat.
Downloads
References
S. Rejeki, R. W. Aryati, and L. L. Widowati, Pengantar Akuakultur. Semarang: UNDIP Press Semarang, 2019.
S. S. Fatimah, S. Marwanti, and S. Supardi, “Export Performance of Indonesian Shrimp In the United States During 2009-2017: A Constant Market Share Model Approach,” Jurnal Sosial Ekonomi Kelautan dan Perikanan, vol. 15, no. 1, pp. 57–67, Jun. 2020, doi: http://dx.doi.org/10.15578/jsekp.v15i1.7677.
Kementerian Kelautan dan Perikanan Republik Indonesia, “2020, KKP TARGETKAN KONSUMSI IKAN 56,39 KG,” https://kkp.go.id/artikel/16451-2020-kkp.
Balai Perikanan Budidaya Air Payau Situbondo, Budidaya Udang Vaname di Tambak Milenial. Situbondo: Kementerian Kelautan dan Perikanan, 2021.
Lusiana Rahma, Hadi Syaputra, A.Haidar Mirza, and usan Dian Purnamasari, “Objek Deteksi Makanan Khas Palembang Menggunakan Algoritma YOLO(You Only Look Once),” Jurnal Nasional Ilmu Komputer, vol. 2, no. 3, 2021.
Z. Q. Zhao, P. Zheng, S. T. Xu, and X. Wu, “Object Detection with Deep Learning: A Review,” IEEE Transactions on Neural Networks and Learning Systems, vol. 30, no. 11. Institute of Electrical and Electronics Engineers Inc., pp. 3212–3232, Nov. 01, 2019. doi: 10.1109/TNNLS.2018.2876865.
A. R. Pathak, M. Pandey, and S. Rautaray, “Application of Deep Learning for Object Detection,” in Procedia Computer Science, Elsevier B.V., 2018, pp. 1706–1717. doi: 10.1016/j.procs.2018.05.144.
D. Putra and Westriningsih, Pengolahan citra digital. Yogyakarta: ANDI, 2010.
Supono, TEKNOLOGI PRODUKSI UDANG. Bandar Lampung: Universitas Negeri Lampung, 2017.
Y. Wang, H. Wang, and Z. Xin, “Efficient detection model of steel strip surface defects based on YOLO-V7,” IEEE Access, 2022, doi: 10.1109/ACCESS.2022.3230894.
P. Jiang, D. Ergu, F. Liu, Y. Cai, and B. Ma, “A Review of Yolo Algorithm Developments,” Procedia Comput Sci, vol. 199, no. 2022, 2022.
N. Buhl, “YOLO models for Object Detection Explained [YOLOv8 Updated],” https://encord.com/blog/yolo-object-detection- guide/#h2.
M. A. bin Zuraimi and F. H. K. Zaman, “Vehicle Detection and Tracking using YOLO and DeepSORT,” 2021 IEEE 11th IEEE Symposium on Computer Applications & Industrial Electronics (ISCAIE), pp. 23–29, 2021.
Z. Wei, M. Chang, and Y. Zhong, “Fruit Freshness Detection Based on YOLOv8 and SE attention Mechanism,” Academic Journal of Science and Technology, vol. 6, no. 1, 2023.
J. Solawetz and Francesco, “What is YOLOv8? The Ultimate Guide,” https://blog.roboflow.com/whats-new-in- yolov8/#yolov8-accuracy-improvements.
Ultralitics, “Introducing Ultralytics YOLOv8,” https://ultralytics.com/article/Introducing- Ultralytics-YOLOv8.
S. Armalivia, Z. Zainuddin, A. Achmad, and Muh.
A. Wicaksono, “Automatic Counting Shrimp Larvae Based You Only Look Once (YOLO),” 2021 International Conference on Artificial Intelligence and Mechatronics Systems (AIMS), pp. 1–4, 2021.
M. I. Maulana and R. Noviana, “Training Custom Model Deteksi Udang menggunakan YOLOv8,” Jurnal Ilmiah Komputasi, vol. 22, no. 4, pp. 505– 514, Dec. 2023, doi: 10.32409/jikstik.22.4.3526.
F. Flinn, “Figma Prototype: What is it and why use it for design?,” https://designproject.io/blog/figma-prototype.
R. Shaikh, “devDependencies vs Dependencies in reactJS,” https://medium.com/@reemshakes/devdependenc ies-vs-dependencies-in-reactjs-db7261e13012.
C. Murphy, “Choose the Best Tool for You: Create React App (CRA) vs. Next.js,” https://prismic.io/blog/create-react-app-cra-vs- nextjs.
Beca, “What is Yarn?: What It’s Made From, How You Make It and More,” https://www.contrado.co.uk/blog/what-is-yarn/.
K. S. Nugroho, “Confusion Matrix untuk Evaluasi Model pada Supervised Learning,” https://ksnugroho.medium.com/confusion- matrix-untuk-evaluasi-model-pada-unsupervised- machine-learning-bc4b1ae9ae3f
Downloads
Published
How to Cite
Issue
Section
Categories
Abstract View: 0 times
