• Beranda
  • Website Perpustakaan
  • Panduan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Penanda Bagikan

SKRIPSI DIGITAL

Komparasi antara YOLOv8 Segmentasi dan Mask R-CNN dalam Penyortiran Barang Berdasarkan Bentuk dan Warna Menggunakan Robot Arm Dobot Magician = Comparison of YOLOv8 Segmentation and Mask R-CNN for Shape- and Color-Based Object Sorting Using the Dobot Magician Robotic Arm

BAKHTIAR BIMANTORO - Nama Orang; Adinda Lidia Selvi - Nama Orang; BAMBANG Supriyo - Nama Orang; Muhamad Cahyo Ardi Prabowo - Nama Orang;

Bakhtiar Bimantoro dan Adinda Lidia Selvi, “Komparasi antara YOLOv8 Segmentasi dan Mask R-CNN dalam Penyortiran Barang Berdasarkan Bentuk dan Warna Menggunakan Robot Arm Dobot Magician”, Skripsi Sarjana Terapan Teknologi Rekayasa Elektronika, Jurusan Teknik Elektro, Politeknik Negeri Semarang, di bawah bimbingan Bambang Supriyo, BSEE., M.Eng.Sc. dan Muhammad Cahyo Ardi Prabowo, S.T., M.Tr.T., November 2025, 101 halaman.
Penelitian ini bertujuan untuk melakukan komparasi performa algoritma YOLOv8 Segmentasi dan Mask R-CNN dalam proses penyortiran objek berdasarkan bentuk dan warna menggunakan robot arm Dobot Magician. Sistem ini dirancang agar mampu mengenali dan mengklasifikasikan objek busa EVA melalui citra yang diambil oleh kamera EYD PC01 dengan area kerja sebesar 12 × 20 cm, kemudian mengirimkan hasil deteksi ke robot untuk melakukan proses pick and place sesuai kelas objek. Dataset citra disusun melalui proses anotasi menggunakan Roboflow dengan tiga versi jumlah data yang berbeda, kemudian dilakukan pelatihan model di Google Colab menggunakan GPU. Implementasi sistem dilakukan di Visual Studio Code dengan integrasi antara Python, SDK Dobot, dan Arduino untuk menampilkan jumlah objek terdeteksi melalui LCD I2C. Hasil pengujian menunjukkan bahwa model YOLOv8 Segmentasi memiliki performa terbaik dengan nilai mAP50-95 sebesar 0,975, rata-rata confidence 0,95, serta keberhasilan 100% dalam proses penyortiran dan penempatan objek. Sementara itu, model Mask R-CNN menunjukkan peningkatan akurasi seiring bertambahnya dataset, namun memiliki waktu inferensi lebih lama dibanding YOLOv8. Berdasarkan hasil tersebut, sistem berbasis YOLOv8 Segmentasi dinilai lebih efisien dan stabil untuk aplikasi penyortiran objek secara real-time.
Kata kunci: Deteksi citra, Dobot Magician, Mask R-CNN, Penyortiran objek, YOLOv8 Segmentasi


Fulltext
  • Harap masuk untuk melihat lampiran
Informasi Detail
Judul Seri
-
No. Panggil
RE 024 2026
Penerbit
Semarang : Politeknik Negeri Semarang., 2026
Deskripsi Fisik
xix, 147 hal.: illus.; 30 cm.
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
NONE
Tipe Isi
text
Tipe Media
computer
Tipe Pembawa
online resource
Edisi
-
Subjek
yolov8 segmentasi
deteksi citra
dobot magician
mask r-cnn
penyortiran objek
Info Detail Spesifik
-
Pernyataan Tanggungjawab
BAKHTIAR BIMANTORO
Versi lain/terkait

Tidak tersedia versi lain

Komentar

Anda harus masuk sebelum memberikan komentar

  • Panduan
  • Area Anggota

Tentang Kami

Si-Repo adalah platform digital yang dikelola oleh UPA Perpustakaan Politeknik Negeri Semarang, menyimpan karya ilmiah seperti Tugas Akhir, Skripsi, dan Tesis dari sivitas akademika Polines, untuk mendukung kebutuhan akademik, penelitian, dan pengembangan.

Jam Buka Perpustakaan

Senin - Kamis:
07.30 - 16.00 WIB

Jum'at:
07.30 - 16.30 WIB


NPP. 3374102C0000002
0895340731030
Follow Us
Subscribe

© 2026 — Perpustakaan Politeknik Negeri Semarang

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?