IMPLEMENTASI MODEL DEEP LEARNING MENGGUNAKAN YOLO (YOU ONLY LOOK ONCE) UNTUK KLASIFIKASI BURUNG LOVEBIRD

Dalam bidang Computer Vision, deep learning telah menunjukkan kemampuan signifikan dalam deteksi dan klasifikasi objek. Salah satu algoritma populer adalah YOLO (You Only Look Once). YOLO terkenal karena kecepatan pemrosesan real-time dan akurasinya. YOLO telah berkembang melalui beberapa versi, dengan YOLOv7 sebagai iterasi terbaru yang diusulkan oleh Wong KinYiu. Penelitian ini berfokus pada implementasi algoritma YOLOv7 untuk mengklasifikasikan jenis burung lovebird, yang termasuk dalam genus Agapornis. Burung lovebird telah dikenal luas oleh masyarakat Indonesia. Namun, sayangnya masih banyak orang awam kesulitan dalam membedakan antar jenisnya. Penelitian ini menggunakan dataset sebanyak 800 gambar, yang mencakup delapan jenis lovebird yang berbeda: Agapornis Cana, Agapornis Fischeri, Agapornis Lilianae, Agapornis Nigrigenis, Agapornis Personatus, Agapornis Pullarius, Agapornis Roseicollis, dan Agapornis Taranta. Citra diperoleh dari Google Images, diolah dengan menggunakan Roboflow dan diproses menggunakan Google Colab. Metodologi penelitian berdasarkan alur kerja yang disebut dengan Machine Learning Lifecycle, dimulai dengan pengelolaan dataset, termasuk anotasi dan pelabelan, modifikasi citra, lalu diikuti dengan pelatihan dengan melakukan konfigurasi parameter, pengujian, dan evaluasi model. Dalam penelitian ini, penerapan model deep learning menggunakan YOLOv7 untuk klasifikasi burung lovebird dilakukan dengan tiga model dengan dataset latih sebanyak 640 dan data uji sebanyak 160 yang dibedakan berdasarkan jumlah epoch-nya yaitu 100, 200, dan 300. Metrik evaluasi yang digunakan meliputi akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model satu memiliki nilai akurasi sebesar 60%, model dua 43%, dan model tiga 93%. Ini menunjukkan bahwa performa model tiga adalah model yang paling optimal dari model lainnya dalam mengklasifikasikan 8 jenis burung lovebird. Hal ini juga dikarenakan memiliki nilai metrik evaluasi rata-rata pada semua kelas seperti presisi sebesar 94%, recall sebesar 93%, dan F1-score sebesar 93%.