Pemanfaatan You Only Look Once (Yolo11) untuk Deteksi Tingkat Kematangan Buah Tomat

Abstract

Proses penyortiran tomat secara manual yang bersifat subjektif dan memakan biaya menjadi kendala dalam rantai pasok tomat dari petani hingga industri. Permasalahan ini semakin kompleks akibat kesenjangan antara ketersediaan produksi dengan permintaan konsumsi. Penelitian ini memanfaatkan model You Only Look Once (YOLO) untuk mendeteksi tingkat kematangan tomat secara real-time. Model digunakan untuk mengidentifikasi sekaligus mengklasifikasikan tingkat kematangan tomat ke dalam tiga kategori kematangan yaitu mentah, setengah matang dan matang sehingga dapat mengoptimalkan dan meningkatkan efisiensi seluruh alur kerja pascapanen. Metodologi penelitian meliputi pengumpulan 1.088 citra tomat, anotasi dan augmentasi hingga menghasilkan 2.610 citra untuk pelatihan. Empat varian model YOLO11 (n, s, m, l) dilatih dan dievaluasi performanya menggunakan metrik precision, recall dan mAP50. Hasil evaluasi menunjukkan bahwa varian YOLO11m menjadi model yang paling optimal dengan nilai precision 85.9%, recall 84.1% dan mAP50 tertinggi sebesar 89.1%. Model YOLO11m yang dipilih kemudian diuji pada data baru dan video melalui webcam dengan hasil kecepatan deteksi menggunakan webcam mencapai ± 16 FPS yang membuktikan kelayakannya untuk aplikasi real-time. Sistem ini dirancang untuk diimplementasikan menggunakan kamera atau webcam yang diarahkan ke jalur penyortiran di area pascapanen. Dengan menyediakan informasi deteksi dan jumlah setiap kelas secara otomatis, sistem ini dapat membantu petani, distributor dan industri pengolahan pangan untuk menjadikan proses penyortiran menjadi lebih cepat, konsisten dan objektif. Temuan penelitian ini diharapkan dapat menjadi solusi teknologi yang praktis serta landasan pengembangan sistem pertanian dan distribusi tomat di masa mendatang.