OPTIMASI MODEL KLASIFIKASI TINGKAT KEMATANGAN BUAH MANGGA DENGAN METODE YOLO11

Abstract

Klasifikasi tingkat kematangan buah mangga secara akurat penting untuk mendukung efisiensi sektor pertanian, terutama dalam menentukan waktu panen optimal. Namun, variasi pencahayaan dan latar belakang pada citra sering memengaruhi akurasi model. Penelitian ini menggunakan YOLO11, algoritma deteksi objek terbaru, untuk meningkatkan klasifikasi tingkat kematangan mangga dalam empat kategori: unripe, early ripe, partially ripe, dan ripe. Dataset diperoleh dari Kaggle, melibatkan proses preprocessing seperti resizing dan pembagian data, serta pelatihan model dengan penyesuaian parameter seperti learning rate dan batch size. Model YOLO11 berhasil mencapai akurasi 97,3%, precision 97,5%, recall 97,3%, dan F1-score 97,3%, menunjukkan performa tinggi dalam mengklasifikasikan kematangan mangga. Namun, pengujian dengan webcam mengungkapkan tantangan dalam kondisi pencahayaan bervariasi, terutama untuk kelas kematangan yang kompleks. Hal ini mengindikasikan kebutuhan optimasi tambahan seperti augmentasi data. Penelitian ini membuktikan efektivitas YOLO11 untuk klasifikasi kematangan mangga, sekaligus menunjukkan potensi pengembangan lebih lanjut. Temuan ini diharapkan dapat berkontribusi pada teknologi pertanian cerdas dan membuka peluang penelitian dalam penerapan deteksi real-time berbasis citra di bidang agrikultur.