DETEKSI DAN KLASIFIKASI OTOMATIS LAPISAN GRAFENA BERBASIS YOLOV11

Abstrak

Deteksi dan klasifikasi lapisan grafena secara otomatis merupakan tantangan dalam analisis material berbasis kecerdasan buatan. Penelitian ini bertujuan untuk mengembangkan model deteksi berbasis YOLOv11 yang mampu mengidentifikasi dan mengklasifikasikan grafena dalam berbagai ketebalan lapisan. Dataset anotasi terdiri dari empat kelas: 1-Layer, 2-Layer, 3-Layer, dan 4-Layer. Model dilatih dan diuji menggunakan berbagai skenario eksperimental untuk memastikan akurasi dan kecepatan deteksinya. Hasil evaluasi menunjukkan bahwa model mencapai precision sebesar 0,68, recall 0,623, mAP50 0,69, dan mAP50-95 0,45, dengan kategori 1-Layer menunjukkan performa terbaik. Model ini mampu mengklasifikasikan lapisan grafena secara andal dengan efisiensi tinggi, memungkinkan aplikasi dalam analisis material secara real-time. Dengan kecepatan inferensi 40,4 ms per gambar, model ini sangat potensial untuk digunakan dalam berbagai industri berbasis material maju. Kontribusi utama penelitian ini adalah menghadirkan solusi berbasis deep learning yang dapat meningkatkan efisiensi dan akurasi deteksi nanopartikel, mendukung perkembangan teknologi dalam rekayasa dan ilmu material.