Algoritma YOLOv8 untuk Segmentasi Makanan Indonesia dan Metode Gaussian Blur untuk Blurring Background Citra Digital

Gunawan, Ellexia Leonie and Permadani, Citra Amelia Intan (2025) Algoritma YOLOv8 untuk Segmentasi Makanan Indonesia dan Metode Gaussian Blur untuk Blurring Background Citra Digital. Project Report (Praktek Kerja Lapang). Universitas Pembangunan Nasional Veteran Jawa Timur.

	Text (Cover) PKL_Cover_compressed.pdf Download (746kB)
	Text (Bab I) PKL_Bab_1.pdf Download (119kB)
	Text (Bab II) PKL_Bab_2.pdf Restricted to Repository staff only until 27 May 2027. Download (119kB)
	Text (Bab III) PKL_Bab_3_compressed.pdf Restricted to Repository staff only until 27 May 2027. Download (1MB)
	Text (Bab IV) PKL_Bab_4.pdf Download (46kB)
	Text (Daftar Pustaka) PKL_Daftar Pustaka.pdf Download (110kB)
	Text (Lampiran) PKL_Lampiran.pdf Restricted to Repository staff only until 27 May 2027. Download (521kB)

Abstract

Program Praktik Kerja Lapangan (PKL) yang dilaksanakan di PT Vixmo Transportasi Cerdas menghasilkan proyek segmentasi makanan Indonesia dan blurring background citra digital. Indonesia dikenal dengan keragaman kuliner yang melimpah dan keunikan makanan tradisional yang diakui internasional. Pengembangan industri kuliner dan pariwisata semakin berkembang seiring dengan kemajuan teknologi, termasuk pemanfaatan algoritma kecerdasan buatan untuk pengolahan citra. Penelitian ini bertujuan untuk mengeksplorasi penggunaan algoritma YOLOv8 dalam segmentasi makanan tradisional Indonesia dan penerapan teknik Gaussian Blur untuk meningkatkan kualitas visual gambar dengan memfokuskan objek makanan. Penelitian ini menggunakan algoritma YOLOv8 untuk deteksi dan segmentasi objek makanan dalam gambar. Dataset yang digunakan terdiri dari 152 gambar makanan tradisional Indonesia. Setelah segmentasi, teknik Gaussian Blur diterapkan pada latar belakang untuk menonjolkan objek makanan. Secara keseluruhan model memiliki kinerja yang baik dalam tugas deteksi objek dan segmentasi objek, yaitu dengan nilai precision 78.2% dan recall 92.6%. Nilai mAP50 88.5% menunjukkan efektivitas model dalam mengidentifikasi objek dengan tumpang tindih sedang. Nilai mAP50-95 72.4%, meskipun sedikit lebih rendah, tetap mencerminkan kinerja yang baik di berbagai ambang tumpang tindih, menunjukkan kekokohan dalam berbagai skenario.

Item Type:

Monograph (Project Report (Praktek Kerja Lapang))

Contributors: