Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2025
- Tujuan
- Nomor
- 1da7396c-ccd3-4b3d-8fa8-83e97c80430c
- Terbit
- 2026-10-30
Universitas Dian Nuswantoro (UDINUS), melalui para penelitinya Arsyad, Candhy Fadhila; Andono, Pulung Nurtantio; dan Soeleman, Moch Arief, melaksanakan penelitian mengenai penyetelan hyperparameter dengan Optuna untuk mengoptimalkan model YOLOv11n dalam deteksi gulma. Kegiatan ini membahas pentingnya deteksi gulma yang akurat untuk menjaga kebersihan dan daya tarik estetika halaman rumah. Penelitian ini juga mengkaji penggunaan model deteksi objek yang ringan dalam kondisi nyata, dengan perhatian pada efisiensi komputasi untuk perangkat dengan sumber daya terbatas seperti drone dan sistem IoT.
Penelitian menerapkan Optuna sebagai kerangka kerja optimasi hyperparameter otomatis. Data yang digunakan diproses melalui teknik augmentasi yang mencakup crop dengan zoom 0–20%, penyesuaian hue sebesar ±20°, saturasi sebesar ±30%, kecerahan sebesar ±20%, exposure sebesar ±15%, serta augmentasi mosaic. Citra yang telah diaugmentasi digunakan untuk melatih empat varian YOLO nano, yaitu YOLOv5n, YOLOv8n, YOLOv11n, dan YOLOv12n. Model-model tersebut dievaluasi menggunakan metrik Precision, Recall, F1-Score, dan mean Average Precision (mAP), sehingga kinerja deteksi gulma dapat dibandingkan berdasarkan metrik yang digunakan dalam penelitian.
Di antara model yang diuji, YOLOv11n dengan konfigurasi Custom Optuna menghasilkan kinerja tertinggi, dengan F1-score sebesar 94,6% dan mAP@0.5 sebesar 97,8%. Temuan tersebut menunjukkan bahwa model YOLOv11n yang dioptimalkan dapat mendukung deteksi gulma secara real-time yang akurat dan efisien di lingkungan rumah tangga, khususnya pada perangkat edge dengan kemampuan perangkat keras terbatas. Penelitian ini berkaitan dengan tujuan kedua melalui riset yang membahas penerapan pertanian dan berkebun secara praktis, dengan tetap berfokus pada optimasi model, identifikasi gulma, dan efisiensi komputasi. UDINUS membingkai kegiatan ini sebagai penelitian yang dilaksanakan oleh para penelitinya untuk mengembangkan dan mengevaluasi pendekatan deteksi yang dioptimalkan bagi implementasi praktis dalam pertanian presisi dan smart gardening.