Klasifikasi Jenis Daging Menggunakan Algoritma YOLOv8

Dyah Cita Irawati; Nur Fitriansyah Aji

doi:10.35760/ik.2025.v30i2.243

Penulis

Dyah Cita Irawati Universitas Gunadarma Penulis
Nur Fitriansyah Aji Universitas Gunadarma Penulis

DOI:

https://doi.org/10.35760/ik.2025.v30i2.243

Kata Kunci:

Daging, Machine learning, YOU ONLY LOOK ONCE v8 (YOLOv8)

Abstrak

Dalam kehidupan sehari-hari tubuh manusia memerlukan konsumsi daging sapi sebagai salah satu sumber protein hewani karena memiliki kandungan zat besi, selenium, zinc, vitamin B kompleks dan omega 3. Dalam melakukan pembelian daging sapi merupakan persoalan tersendiri bagi masyarakat awam, karena secara kasat mata bentuk daging sapi dan daging lainnya, terutama daging babi, sangat tidak mudah untuk dibedakan. Kesulitan keterbatasan visual manusia yang timbul tersebut menyebabkan konsumen seringkali tertipu saat membeli daging sapi. Perbedaan secara umum kedua daging tersebut terletak pada warna dan tekstur daging. Untuk mengatasi hal tersebut diperlukan adanya peran teknologi yang bisa digunakan untuk membantu membedakan pengenalan jenis daging agar konsumen dapat mengenalinya secara lebih akurat. Penerapan model Deep Learning dengan menggunakan algoritma Convolutional Neural Network yaitu You Only Look Once v8 (YOLOv8) menjadi salah satu metode yang dapat diterapkan untuk mengenali daging sapi pada bidang informatika. Precision 0.974, Recall 1, mAP 0.955 menunjukkan hasil penelitian kinerja dan waktu komputasi menggunakan YOLOv8 pada daging babi, sedangkan pada daging sapi metode YOLOv8 menghasilkan Precision 1, Recall 0.994, mAP 0.995 dengan waktu komputasi kurang lebih 56.52 menit.

Referensi

[1] S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” pp. 49–56, 2000.

[2] R. A. Tilasefana and R. E. Putra, “Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG NET Untuk Pengenalan Cuaca,” vol. 05, pp. 48–57, 2023.

[3] A. Hibatullah and I. Maliki, “Penerapan Metode Convolutional Neural Network Pada Pengenalan Pola Citra Sandi Rumput”.

[4] R. A. P. Anhar, “Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network ( CNN ),” vol. 11, no. 2, pp. 466–478, 2023.

[5] P. Jiang, D. Ergu, F. Liu, Y. Cai, and B. Ma, “A Review of Yolo Algorithm Developments,” 2022, doi: 10.1016/j.procs.2022.01.135.

[6] J. Zophie and H. H. Triharminto, “Implemetasi Algoritma You Only Look Once ( YOLO ) menggunakan Web Camera untuk Mendeteksi Objek Statis dan Dinamis,” vol. 1, no. 1, pp. 98–109, 2022.

[7] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once : Unified , Real-Time Object Detection”.

[8] X. Wang, H. Li, X. Yue, and L. Meng, “A comprehensive survey on object detection YOLO,” pp. 77–89, 2023.

[9] Q. Aini, N. Lutfiani, H. Kusumah, and M. S. Zahran, “Deteksi Dan Pengenalan Objek Dengan Model Machine Learning : Model YOLO,” vol. 6, no. 2, pp. 192–199, 2021.

[10] F. Imanuel, S. K. Waruwu, A. Linardy, and A. M. Husein, “Literature Review Application of YOLO Algorithm for Detection and Tracking,” vol. 6, no. 3, pp. 1378–1383, 2024.

[11] T. Erlina and M. Fikri, “YOLO Algorithm-Based Visitor Detection System For Small Retail Stores Using Single Board Computer,” vol. 4, no. 2, pp. 908–920, 2023.

[12] D. H. Saputra, B. Imran, and Juhartini, “Object Detection Untuk Mendeteksi Citra Buah-buahan Menggunakan Metode YOLO,” vol. 2, no. 2, pp. 70–80, 2023.

[13] D. Wu et al., “Detection of Camellia oleifera Fruit in Complex Scenes by Using YOLOv7 and Data Augmentation,” 2022.

[14] N. N. Hasibuan, M. Zarlis, and S. Efendi, “Detection and tracking different type of cars with YOLO model combination and deep sort algorithm based on computer vision of traffic controlling,” vol. 6, no. 1, pp. 210–220, 2021.

[15] G. N. Rizkatama, A. Nugroho, and A. F. Suni, “Sistem Cerdas Penghitung Jumlah Mobil untuk Mengetahui Ketersediaan Lahan Parkir Berbasis Python dan YOLO v4,” vol. 8, no. 2, pp. 91–99, 2021.

[16] K. Malini, M. Nalla, G. Shivani, and S. S. H. Raju, “Object Detection Using YOLO V3,” vol. 8, no. 2, pp. 318–322, 2023.

[17] L. Quach, K. N. Quoc, A. N. Quynh, and H. T. Ngoc, “Evaluating the Effectiveness of YOLO Models in Different Sized Object Detection and Feature- Based Classification of Small Objects,” vol. 14, no. 5, 2023, doi: 10.12720/jait.14.5.907-917.

[18] X. Gao et al., “Improved YOLO v7 for Sustainable Agriculture Significantly Improves Precision Rate for Chinese Cabbage ( Brassica pekinensis Rupr .) Seedling Belt ( CCSB ) Detection,” 2024.

[19] L. Handayani, “Analisa Metode Gabor dan Propbabilistic Neural Network untuk Klasifikasi Citra ( Studi Kasus : Citra Daging Sapi dan Babi ),” vol. 14, no. 2, pp. 169–177, 2017.

[20] S. A. Aisah, “Identifikasi Perbedaan Daging Sapi dengan Daging Babi Berdasarkan Ciri Warna dan Tekstur Menggunakan Metode Support Vector Machine (SVM),” 2018.

[21] A. Paisal, S. Sanjaya, L. Handayani, and F. Syafria, “Klasifikasi Daging Sapi dan Daging Babi Menggunakan CNN dengan Arsitektur EfficientNet-B4 dan Augmentasi Data,” vol. 8, no. 2, pp. 165–176, 2023.

[22] H. Almirza, S. Sanjaya, L. Handayani, and F. Syafria, “Klasifikasi Daging Sapi dan Daging Babi Menggunakan Convolutional Neural Network EfficientNet-B0 dengan Augmentasi Citra,” vol. 3, no. 6, pp. 1013–1021, 2023, doi: 10.30865/klik.v3i6.910.

[23] D. Efendi, “Penerapan Algoritma Convolutional Neural Network Arsitektur Resnet-50 Untuk Klasifikasi Citra Daging Sapi dan Babi,” 2022.

[24] H. Deshpande, A. Singh, and H. Herunde, “Comparative Analysis on YOLO Object Detection with OpenCV,” vol. 9, no. 1, pp. 46–64, 2020, doi: 10.22105/riej.2020.226863.1130.

[25] D. D. Aboyomi and C. Daniel, “A Comparative Analysis of Modern Object Detection Algorithm: YOLO vs. SSD vs. Faster R-CNN,” vol. 8, pp. 96–106, 2023.

[26] M. R. Dewanto, M. N. Farid, M. Abby, R. Syah, A. Akbar, and H. Arof, “YOLO vs . CNN Algorithms : A Comparative Study in Masked Face Recognition,” vol. 11, no. 1, pp. 139–146, 2024, doi: 10.15294/sji.v11i1.48723.

[27] M. A. M. Ali, T. Aly, A. T. Raslan, M. Gheith, and E. A. Amin, “Advancing Crowd Object Detection : A Review of YOLO , CNN and ViTs Hybrid Approach,” pp. 175–221, 2024, doi: 10.4236/jilsa.2024.163011.

[28] Yanto, F. Aziz, and Irmawati, “YOLO-V8 Peningkatan Algoritma Untuk Deteksi Pemakaian Masker Wajah,” vol. 7, no. 3, pp. 1437–1444, 2023.

[29] M. F. Golfantara, “Penggunaan Algoritma YOLO Identifikasi Rempah-Rempah,” vol. 12, no. 3, pp. 3867–3873, 2024.

[30] N. D. Hendrawan and R. Kolandaisamy, “A Comparative Study of YOLOv8 and YOLO - NAS Performance in Human Detection Image,” vol. 9, no. 2, pp. 191–201, 2024.

[31] A. Haijoub, A. Hatim, S. Hammia, A. Eloualkadi, K. Chougdali, and M. Arioua, “Enhanced YOLOv8 Ship Detection Empower UnmannedSurface Vehicles for Advanced Maritime Surveillance,” pp. 0–12, 2024.

[32] T. Wu and Y. Dong, “YOLO-SE : Improved YOLOv8 for Remote Sensing Object Detection and Recognition,” 2023.

[33] G. Jinbo, W. Shenghuan, C. Xiaohui, W. Chen, and Z. Wei, “QL-YOLOv8s : Precisely Optimized Lightweight YOLOv8 Pavement Disease Detection Model,” IEEE Access, vol. 12, no. August, pp. 128392–128403, 2024, doi: 10.1109/ACCESS.2024.3452129.

[34] A. Ardiansyah, J. Triloka, and Indera, “Evaluasi Kinerja Model YOLOv8 dalam Deteksi Kesegaran Buah,” pp. 357–368.