Implementasi Algoritma YoloV11 Untuk Sistem Deteksi Hama Gudang

Yuniar Salmah Widyan Putri, Dr. Eng. Silmi Fauziati, S.T., M.T. ; Ir. Agus Beno, S.T., M. Eng., D. Eng., IPM

2025 | Skripsi | TEKNOLOGI INFORMASI

Capstone project ini membahas implementasi algoritma YOLOv11 untuk sistem deteksi hama gudang pada beras, dengan fokus pada dua spesies utama yaitu Sitophilus Oryzae dan Oryzaephilus Surinamensis. Permasalahan yang dihadapi adalah keterbatasan metode konvesional dalam mendeteksi objek kecil pada gambar beresolusi tinggi. Untuk mengatasi hal ini, capstone project ini mengintegrasikan SAHI (Slicing Aided Hyper Inference) dengan YOLOv11 guna meningkatkan presisi deteksi.

Sistem yang dikembangkan berbasis web, memungkinkan pengguna mengunggah gambar dan meperoleh hasil deteksi secara visual melalui bounding box dan confidence score. Proses evaluasi dilakukam menggunakan metrix precision, recall, F1-score, IoU dan mAP pada berbagai ambang batas IoU. Hasil pengujian menunjukkam integrasi SAHI mampu meningkatkan kinerja model, khususnya pada objek berukuran kecil. Nilai mAP pada IoU 0,5 meningkat dari 97,5% (mode standar) menjadi 98,8% (mode SAHI), disertai kenaikam recall dari 94,7% menjadi 97,4%. Namun peningkatan sensitivigas ini menurunkan precision dan menambah waktu pemrosesan dari 0,8 detik menjadi 2,5 detik per gambar.

Secara keseluruhan, implemetasi YOLOv11 dengan integrasi SAHI terbukti efektif untuk mendeteksi hama gudang, mendukung proses pemeriksaan yang lebih akurat, adaptif dan berbasis data. Casptone project ini memberikan kontribusi terhadap pengembangan sistem berbasis kecerdasan buatan untuk mendukung ketahanan pangan, khususnya pada pengelolaan pasca panen beras.

This capstone project explores the implementation of the YOLOv11 algorithm for a warehouse pest detection system in rice storage, focusing on two major pest species: Sitophilus oryzae and Oryzaephilus surinamensis. The core issue addressed is the limitation of conventional methods in detecting small objects within high-resolution images. To overcome this, the project integrates SAHI (Slicing Aided Hyper Inference) with YOLOv11 to enhance detection precision.

The developed system is web-based, allowing users to upload images and receive visual detection results through bounding boxes and confidence scores. Evaluation was conducted using metrics such as precision, recall, F1-score, IoU, and mAP across various IoU thresholds. Testing results show that integrating SAHI significantly improves model performance, especially for small-sized objects. The mAP at IoU 0.5 increased from 97.5% (standard mode) to 98.8% (SAHI mode), accompanied by a recall improvement from 94.7% to 97.4%. However, this increased sensitivity resulted in a decrease in precision and an increase in processing time from 0.8 seconds to 2.5 seconds per image.

Overall, the implementation of YOLOv11 with SAHI integration proves to be effective for warehouse pest detection, supporting a more accurate, adaptive, and data-driven inspection process. This capstone project contributes to the development of AI-based systems that support food security, particularly in the post-harvest management of rice.

Kata Kunci : YOLOv11, SAHI, deteksi hama, Sitophilus Oryzae, Oryzaephilus Surinamensis, mAP