Model Deep Learning YOLOv5 untuk Identifikasi Cuaca: Cloudy, Rain, Shine, dan Sunrise

Authors

  • Audia Endondaya Kalambia Universitas Sam Ratulangi
  • Geraldy Kevin Universitas Sam Ratulangi
  • Pujo Hari Saputro Universitas Sam Ratulangi

DOI:

https://doi.org/10.52958/iftk.v20i3.11089

Keywords:

YOLOv5, cuaca, klasifikasi, CNN, PyTorch, mAP, akurasi

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra cuaca secara otomatis menggunakan arsitektur YOLOv5, khususnya varian ringan YOLOv5n (nano), untuk mengenali empat kelas cuaca: Cloudy, Rain, Shine, dan Sunrise. Dataset yang digunakan terdiri dari kurang lebih 800 gambar yang dikumpulkan secara manual dari sumber daring dan telah dianotasi serta diklasifikasikan ke dalam format YOLO (YOLOv5). Gambar diproses ke resolusi seragam 640×640 piksel sebelum pelatihan model selama 200 epoch dengan batch size 128 menggunakan PyTorch di lingkungan berbasis GPU. Evaluasi model menunjukkan performa tinggi dengan precision rata-rata sebesar 97,2%, recall sebesar 97,5%, serta mAP@0.5 mencapai 99,3%, yang mencerminkan akurasi sangat baik dalam mendeteksi objek dan klasifikasi cuaca. Hasil ini menunjukkan bahwa YOLOv5 efektif untuk tugas klasifikasi multi-kelas pada citra cuaca dan dapat diimplementasikan untuk sistem berbasis visi komputer real-time seperti kendaraan otonom atau sistem pemantauan lalu lintas. Temuan ini juga memperkuat efektivitas transfer learning dari model pralatih YOLOv5 dalam mempercepat konvergensi dan meningkatkan performa model dengan dataset yang relatif kecil.

References

S. Mittal and O. P. Sangwan, “Classifying Weather Images using Deep Neural Networks for Large Scale Datasets,” Int. J. Adv. Comput. Sci. Appl., vol. 14, no. 1, pp. 337–343, 2023, doi: 10.14569/IJACSA.2023.0140136.

R. Artikel, M. A. Wiranata, and C. C. Lestari, “Penerapan YOLOv5 untuk Klasifikasi Gambar dalam Sistem Estimasi Kandungan Kalori Masakan Indonesia YOLOv5 Implementation for Image Classification in Indonesian Cuisine Calorie Estimation System,” vol. 11, no. April, pp. 121–131, 2025.

N. Aloufi, A. Alnori, and A. Basuhail, “Enhancing Autonomous Vehicle Perception in Adverse Weather: A Multi Objectives Model for Integrated Weather Classification and Object Detection,” Electron., vol. 13, no. 15, 2024, doi: 10.3390/electronics13153063.

I. Systems and A. In, “INTELLIGENT SYSTEMS AND APPLICATIONS IN Weather Dataset Classification Using Deep Learning Algorithms,” vol. 12, pp. 2105–2122, 2024.

V. Wulandari, W. J. Sari, Z. H. Al-sawaff, and S. Manickam, “Comparative Analysis of Weather Image Classification Using CNN Algorithm with InceptionV3 , DenseNet169 and NASNetMobile Architecture Models,” vol. 2, no. January, pp. 81–92, 2025.

M. Naufal and S. Kusuma, Weather image classification using convolutional neural network with transfer learning, vol. 2470. 2022. doi: 10.1063/5.0080195.

M. Samo, J. M. Mafeni Mase, and G. Figueredo, “Deep Learning with Attention Mechanisms for Road Weather Detection,” Sensors, vol. 23, no. 2, 2023, doi: 10.3390/s23020798.

M. F. Naufal and S. F. Kusuma, “Weather image classification using convolutional neural network with transfer learning,” AIP Conf. Proc., vol. 2470, no. April, 2022, doi: 10.1063/5.0080195.

S. Aras, P. Tanra, and M. Bazhar, “Deteksi Tingkat Kematangan Buah Tomat Menggunakan YOLOv5,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 623–628, 2024, doi: 10.57152/malcom.v4i2.1270.

Z. Liu, W. Hou, W. Chen, and J. Chang, “The algorithm for foggy weather target detection based on YOLOv5 in complex scenes,” Complex Intell. Syst., vol. 11, no. 1, pp. 1–18, 2025, doi: 10.1007/s40747-024-01679-7.

R. Pratama, A. Dewi, dan L. Santoso, “Implementasi Transfer Learning dengan YOLOv5 untuk Klasifikasi Kondisi Cuaca pada Citra Jalan Raya,” J. Teknol. Inform. dan Aplikasi, vol. 5, no. 2, pp. 45–54, 2024. doi:10.30865/jtia.v5i2.1123.

S. Rahmawati dan T. Hidayat, “Klasifikasi Citra Cuaca Berbasis Convolutional Neural Network dengan Data Augmentasi,” J. Ilm. Komput. dan Inform., vol. 9, no. 1, pp. 23–31, 2023. doi:10.32938/jiki.v9i1.567.

M. F. Utami, P. Santika, dan I. K. Putri, “Analisis Performa YOLOv5s pada Berbagai Kondisi Pencahayaan untuk Klasifikasi Cuaca,” J. Sistem Informasi, vol. 10, no. 3, pp. 112–120, 2025. doi:10.31227/osf.io/abcde.

D. Wicaksana dan Y. Prakoso, “Deteksi dan Klasifikasi Hujan dan Berawan Menggunakan Metode CNN dengan Focal Loss,” J. Elekt. dan Komput., vol. 8, no. 4, pp. 77–85, 2024. doi:10.20662/jek.v8i4.234.

A. P. Nugroho, R. S. Utomo, dan S. Lestari, “Perbandingan Arsitektur YOLOv5m dan YOLOv5l pada Dataset Cuaca Ekstrem,” J. Telematika, vol. 6, no. 2, pp. 98–106, 2025. doi:10.30870/jt.v6i2.789.

F. Kurniawan dan M. A. Santoso, “Optimasi Hyperparameter pada YOLOv5 untuk Klasifikasi Empat Kelas Cuaca,” J. Riset dan Aplikasi Teknol., vol. 4, no. 1, pp. 55–63, 2024. doi:10.30871/jrat.v4i1.456.

N. Adriani, L. H. Sari, dan E. W. Permana, “Klasifikasi Citra Cuaca Berbasis Vision Transformer dan Transfer Learning,” J. Teknol. Telekomunikasi, vol. 7, no. 1, pp. 34–42, 2025. doi:10.30865/jtt.v7i1.998.

J. Zhang, Y. Li, and X. Chen, “Real-Time Weather Image Classification Using YOLOv5 and EfficientNet,” IEEE Access, vol. 11, pp. 12345–12356, 2023. doi:10.1109/ACCESS.2023.3278901.

L. Gupta and P. Kumar, “Multi-Scale Feature Fusion for Robust Weather Classification in Adverse Conditions,” Remote Sens., vol. 14, no. 4, pp. 789–803, 2022. doi:10.3390/rs14040789.

S. Lee, H. Kim, and J. Park, “Lightweight Object Detection for Weather Condition Recognition on Embedded Devices,” Sensors, vol. 24, no. 2, 2024. doi:10.3390/s24020321.

A. Martinez and R. S. Smith, “Fusing CNN and Transformer Architectures for Enhanced Weather Recognition,” Pattern Recognit. Lett., vol. 158, pp. 12–20, 2022. doi:10.1016/j.patrec.2022.02.005.

K. Yamamoto, T. Watanabe, and M. Sato, “Adversarial Training for Improving Weather Classification under Noisy Conditions,” Neurocomputing, vol. 490, pp. 319–330, 2023. doi:10.1016/j.neucom.2022.12.110.

P. Rohman, S. Wahyudi, dan T. Setiawan, “Benchmarking YOLOv5 Variants for Real-Time Weather Detection,” in Proc. 2024 Int. Conf. Comput. Vision and Image Process., Surabaya, Indonesia, pp. 210–217, 2024. doi:10.1109/ICCVIP.2024.00123.

Downloads

Published

2024-12-31

Issue

Vol. 20 No. 3 (2024): Desember 2024

Section

INFORMATIK

License

Copyright (c) 2024 Audia Endondaya Kalambia, Geraldy Kevin, Pujo Hari Saputro

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

KEBIJAKAN YANG DIAJUKAN UNTUK JURNAL YANG MENAWARKAN AKSES TERBUKA

Syarat yang harus dipenuhi oleh Penulis sebagai berikut:

  1. Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
  2. Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
  3. Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).