Deteksi Tingkat Kematangan Buah Pepaya Menggunakan Algoritma YOLOv11s Berbasis Citra Digital: Detection of Papaya Fruit Ripeness Using the YOLOv11s Algorithm Based on Digital Images

Abstrak

Metode konvensional untuk deteksi tingkat kematangan buah pepaya seringkali bersifat subjektif dan tidak konsisten, yang berdampak negatif pada efisiensi operasional serta standarisasi kualitas produk. Penelitian ini bertujuan mengembangkan sistem deteksi otomatis yang objektif menggunakan algoritma Deep Learning YOLOv11s berbasis citra digital. Kontribusi utama penelitian ini terletak pada penerapan arsitektur YOLOv11s untuk menangani tantangan variabilitas visual dan gradasi warna kompleks pada buah pepaya. Metodologi penelitian melibatkan pelatihan model menggunakan 3.172 dataset citra yang terstratifikasi menjadi tiga kelas: Mentah, Mengkal, dan Matang, dengan pembagian data latih, validasi, dan uji menggunakan rasio 70:20:10. Hasil evaluasi menunjukkan model mencapai performa optimal dengan nilai Mean Average Precision (mAP@50) global sebesar 0,857. Secara spesifik, kelas Mentah memiliki presisi deteksi tertinggi (AP 0,888), diikuti kelas Matang (AP 0,875), sedangkan kelas Mengkal mencapai AP 0,808. Validasi visual pada data uji mengonfirmasi ketangguhan model dalam melokalisasi objek secara presisi pada berbagai kondisi pencahayaan. Penelitian ini menyimpulkan bahwa implementasi YOLOv11s efektif sebagai solusi sistem sortasi otomatis yang andal guna mendukung Smart Farming.