Sistem Pendeteksi Dan Klasifikasi Jenis Hewan Ternak Menggunakan Metode You Only Look Once (YOLO)
DOI:
https://doi.org/10.76349/brdgd183Kata Kunci:
yolo, deteksi objek, hewan ternak, kecerdasan buatan, deep learningAbstrak
Perkembangan teknologi kecerdasan buatan, khususnya dalam bidang computer vision, telah membuka peluang dalam pengembangan sistem identifikasi objek secara otomatis di berbagai sektor, termasuk peternakan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi serta klasifikasi jenis hewan ternak menggunakan metode You Only Look Once versi 5 (YOLOv5). Dataset yang digunakan terdiri dari empat kelas hewan ternak, yaitu sapi, kambing, ayam, dan bebek, yang diperoleh melalui pengambilan gambar langsung dan sumber terbuka. Proses pelabelan dan augmentasi data dilakukan menggunakan Roboflow, sedangkan pelatihan model dilaksanakan pada platform Google Colaboratory dengan memanfaatkan dukungan GPU. Evaluasi kinerja model dilakukan menggunakan metrik precision, recall, dan mean Average Precision pada ambang batas Intersection over Union 0,5. Hasil pengujian pada dataset utama menunjukkan nilai precision sebesar 50,7%, recall sebesar 23,7%, dan mean Average Precision sebesar 29,6%. Sementara itu, pada dataset perbandingan diperoleh nilai precision 45,2%, recall 20,1%, dan mean Average Precision 25,3%. Hasil tersebut menunjukkan bahwa ukuran dan kualitas dataset berpengaruh terhadap performa model. Secara keseluruhan, metode YOLOv5 mampu mendeteksi dan mengklasifikasikan jenis hewan ternak secara otomatis, meskipun masih diperlukan pengembangan lebih lanjut untuk meningkatkan akurasi dan sensitivitas sistem.
Unduhan
Referensi
[1] Z. Amanda, I. Muslem, and F. Rizani, “Klasifikasi Kematangan Buah Pepaya Menggunakan Algoritma Support Vector Machine,” Jurnal Ilmu Komputer Aceh, vol. 3, no. 1, pp. 96–102, Feb. 2026.
[2] B. Laoli, I. Muslem, and F. Rizani, “ Klasifikasi Tingkat Kematangan Buah Pisang Menggunakan Algoritma Support Vector Machine ,” Jurnal Ilmu Komputer Aceh, vol. 3, no. 1, pp. 142–151, Feb. 2026.
[3] C. H. H. Jannah, I. Muslem, and D. Azmi, “Klasifikasi Plat Nomor Kenderaan Bedasarkan Wilayah Tertentu Menggunakan Algoritma Optical Character Recognition,” Jurnal Ilmu Komputer Aceh, Oct. 2025, [Online]. Available: https://jurnal.fikompublisher.com/ilka/article/view/16
[4] R. Saputra, I. Muslem, and R. Fajri, “ Klasifikasi Spesies Ikan Koi Berdasarkan Citra Menggunakan Metode YOLOv3-Tiny Dan OpenCV ,” Jurnal Ilmu Komputer Aceh, vol. 3, no. 1, pp. 182–188, Feb. 2026.
[5] I. R. Muslem and T. M. Johan, “KLIK: Kajian Ilmiah Informatika dan Komputer Klasifikasi Citra Ikan Menggunakan Algoritma Convolutional Neural Network dengan Arsitektur VGG-16,” Media Online), vol. 4, no. 2, pp. 978–985, 2023, doi: 10.30865/klik.v4i2.1209.
[6] D. Armiady and I. M. R, “Klasifikasi Kualitas Buah Pisang Berdasarkan Citra Buah Menggunakan Stochastic Gradient Descent,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 2, 2023.
[7] V. Shakila, I. Muslem, and S. Sriwinar, “Prototipe Kamera Pengawasan Berbasis YOLOv5 untuk Deteksi Benda Tajam Secara Real-Time dengan Notifikasi Telegram,” Jurnal Ilmu Komputer Aceh, vol. 3, no. 1, pp. 90–95, Feb. 2026.
[8] C. C. Paglinawan, M. Hannah M. Caliolio, and J. B. Frias, “Medicine Classification Using YOLOv4 and Tesseract OCR,” in 2023 15th International Conference on Computer and Automation Engineering, ICCAE 2023, 2023. doi: 10.1109/ICCAE56788.2023.10111387.
[9] C. Wan, Y. Pang, and S. Lan, “Overview of YOLO Object Detection Algorithm,” International Journal of Computing and Information Technology, vol. 2, no. 1, 2022, doi: 10.56028/ijcit.1.2.11.
[10] P. Jiang, D. Ergu, F. Liu, Y. Cai, and B. Ma, “A Review of Yolo Algorithm Developments,” Procedia Comput. Sci., vol. 199, pp. 1066–1073, 2022, doi: https://doi.org/10.1016/j.procs.2022.01.135.
[11] W. Gai, Y. Liu, J. Zhang, and G. Jing, “An improved Tiny YOLOv3 for real-time object detection,” Systems Science and Control Engineering, vol. 9, no. 1, 2021, doi: 10.1080/21642583.2021.1901156.
[12] G. Jocher, “ultralytics/yolov5: v7.0 - YOLOv5 SOTA Realtime Instance Segmentation (v7.0),” Https://Github.Com/Ultralytics/Yolov5/Tree/V7.0, 2022.
[13] W. He, Z. Huang, Z. Wei, C. Li, and B. Guo, “TF-YOLO: An improved incremental network for real-time object detection,” Applied Sciences (Switzerland), vol. 9, no. 16, 2019, doi: 10.3390/app9163225.
[14] L. Maramis, I. Nurtanio, and H. Zainuddin, “Klasifikasi Sapi Perah dan Non-Perah Menggunakan Algoritma Convolutional Neural Network: Classification of Dairy and Non-Dairy Cattle Using the Convolutional Neural Network Algorithm,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 2, 2025.
[15] S. Sintaro and E. Alfonsius, “SISTEM CERDAS SEBAGAI KEAMANAN KANDANG TERNAK SAPI MENGGUNAKAN CAMERA ESP-CAM DAN SELENOID,” Jurnal Teknologi dan Sistem Tertanam, vol. 4, no. 1, 2023, doi: 10.33365/jtst.v4i1.2641.
[16] M. Fauzi, B. Hidayat, Dea, and M. F. Wiyatna, “Estimasi Bobot Karkas Sapi Berdasarkan Metode Binary Larger Object dan klasifikasi Support Vector Machine Multiclass Berbasis Android,” e-Proceeding of Engineering, vol. 5, no. 1, 2018.
[17] R. Gunawan, D. M. I. Hanafie, and A. Elanda, “Klasifikasi Jenis Ras Kucing Dengan Gambar Menggunakan Convolutional Neural Network (CNN),” Jurnal Interkom: Jurnal Publikasi Ilmiah Bidang Teknologi Informasi dan Komunikasi, vol. 18, no. 4, 2024, doi: 10.35969/interkom.v18i4.318.
[18] M. A. A. Fawwaz, K. N. Ramadhani, and F. Sthevani, “Klasifikasi Ras pada hewan peliharaan menggunakan Algoritma Convolutional Neural Network (CNN),” e-Proceeding of Engineering, vol. 8, no. 1, 2020.
[19] M. R. Ramadhan and L. Wati, “Klasifikasi Ras Kucing Menggunakan Algoritma Convolutional Neural Network,” remik, vol. 9, no. 3, 2025, doi: 10.33395/remik.v9i3.15036.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Dian Fahmi, Munar, Dasril Azmi, Imam Muslem, Pandi Barita Nauli Simangunsong
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
