IMPLEMENTASI DEEP LEARNING MENGGUNAKAN MODEL DENSENET121 DAN YOLOV9 UNTUK KLASIFIKASI SPESIES LEBAH TANPA SENGAT DI LEMBAH SUHITA BANDAR LAMPUNG

Leo Fetri , Hendli (2026) IMPLEMENTASI DEEP LEARNING MENGGUNAKAN MODEL DENSENET121 DAN YOLOV9 UNTUK KLASIFIKASI SPESIES LEBAH TANPA SENGAT DI LEMBAH SUHITA BANDAR LAMPUNG. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	Text ABSTRAK.pdf Download (217kB) | Preview
	Text FILE SKRIPSI FULL.pdf Restricted to Repository staff only Download (5MB) | Request a copy
Preview	Text FILE SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (4MB) | Preview

Abstract

Identifikasi spesies lebah tanpa sengat secara manual masih bergantung pada keahlian khusus dan berpotensi menimbulkan kesalahan. Penelitian ini merancang sistem klasifikasi spesies lebah tanpa sengat di kawasan Lembah Suhita, Bandar Lampung. Sistem yang dirancang menggunakan arsitektur DenseNet121 dan YOLOv9 pada 1.470 citra yang terbagi ke dalam 7 kelas. Pengujian dilakukan pada ukuran input 224×224 dan 640×640 dengan teknik augmentasi yang sama, yaitu flipping, perubahan kecerahan, dan random cropping. Pada penelitian ini, DenseNet121 diterapkan menggunakan pendekatan hybrid prediction berbasis embedding dan indeks DLS, sedangkan YOLOv9 menggunakan data beranotasi bounding box. Pengembangan model dimulai dari melakukan pengumpulan data citra di Lembah Suhita, dilanjutkan dengan pra pemrosesan citra, pelatihan model, dan evaluasi model. Hasil menunjukkan bahwa model DenseNet121 dengan input 224×224 memberikan performa terbaik dengan akurasi (94,29%), DenseNet121 dengan input 640×640 menghasilkan akurasi (92,14%), YOLOv9 dengan input 640x640 menghasilkan akurasi (89%) dan YOLOv9 dengan input 224×224 menghasilkan akurasi (93%).

Item Type:	Other
Subjects:	?? 003 ?? ?? 004 ?? ?? 005 ?? Universitas Lampung > Fakultas Teknik > Prodi Teknik Informatika
Divisions:	?? Informatika ??
Depositing User:	2602171839 Digilib
Date Deposited:	22 Apr 2026 05:56
Last Modified:	22 Apr 2026 05:56
URI:	http://digilib.unila.ac.id/id/eprint/98459

Actions (login required)

View Item