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

Fikri Maulana

doi:10.57152/malcom.v6i1.2481

Authors

Fikri Maulana Universitas Nusa Mandiri

DOI:

https://doi.org/10.57152/malcom.v6i1.2481

Keywords:

Deep Learning, Deteksi Objek, Kematangan Pepaya, Smart Farming, YOLOv11s

Abstract

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.

Downloads

Download data is not yet available.

References

A. M. Hasibuan, B. Sugiharto, N. F. Hayati, T. A. Dewita, and T. Bayati, ‘Meningkatkan Kesejahteraan Petani: Menuju Sektor Pertanian yang Tangguh dan Berdaya Saing di Indonesia’, Journal of Law, Education and Business, vol. 2, no. 2, pp. 1365–1371, Sep. 2024, doi: 10.57235/jleb.v2i2.3130.

E. D. Wahyuni, ‘Strategi Memanfaatkan Peluang Pasar Produk Pertanian Dalam Perdagangan Internasional’, ekobistek, pp. 57–64, Jul. 2021, doi: 10.35134/ekobistek.v10i1.84.

R. Kurniawan, ‘Klasifikasi Tingkat Kematangan Buah Pepaya Berdasarkan Warna Kulit Menggunakan Sensor Warna TCS3200’, JICTEE, vol. 4, no. 1, p. 1, Mar. 2023, doi: 10.33365/jictee.v4i1.2692.

J. Jusrawati, A. Futri, and A. B. Kaswar, ‘Klasifikasi Tingkat Kematangan Buah Pisang Dalam Ruang Warna RGB Menggunakan Jaringan Syaraf Tiruan (JST)’, JESSI, vol. 2, no. 1, p. 49, Nov. 2021, doi: 10.26858/jessi.v2i1.20327.

Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor, Kampus IPB Dramaga, Bogor 16680, U. Ahmad, . Sabihah, and Program Studi Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor, Kampus IPB Dramaga, Bogor 16680, ‘Prediction of Ripeness Parameters of Melon Fruit Using Near Infra-red Spectroscopy’, JIPI, vol. 23, no. 3, pp. 183–189, Dec. 2018, doi: 10.18343/jipi.23.3.183.

M. S. Hawibowo and I. Muhimmmah, ‘Aplikasi Pendeteksi Tingkat Kematangan Pepaya menggunakan Metode Convolutional Neural Network (CNN) Berbasis Android’, JEPIN, vol. 10, no. 1, p. 162, Apr. 2024, doi: 10.26418/jp.v10i1.77819.

A. Kusuma, A. R. S. Nurrohman, K. T. Anggoro, and R. Susun, ‘Implementasi Algoritma Yolo Dalam Pendeteksian Tingkat Kematangan Pada Buah Pepaya’, vol. 1, no. 1, 2023.

R. Khanam and M. Hussain, ‘YOLOv11: An Overview of the Key Architectural Enhancements’, Oct. 23, 2024, arXiv: arXiv:2410.17725. doi: 10.48550/arXiv.2410.17725.

S. Mahdiyyah et al., ‘Implementasi Object Detection untuk Deteksi Kualitas pada Buah Lemon dengan CNN’, JRAMI, vol. 6, no. 01, pp. 215–223, Jan. 2025, doi: 10.30998/jrami.v6i01.13417.

N. P. Sutrisna et al., ‘Deteksi Tingkat Kematangan Buah Pepaya menggunakan Model Convolutional Neural Network’, JTIIK, vol. 11, no. 3, pp. 569–578, Jul. 2024, doi: 10.25126/jtiik.938119.

R. A. Saputra, D. Puspitasari, and T. Baidawi, ‘Deteksi Kematangan Buah Melon dengan Algoritma Support Vector Machine Berbasis Ekstraksi Fitur GLCM’, vol. 4, no. 2, 2022.

S. D. Vanesa, ‘Sistem Deteksi Jenis Burung Menggunakan Implementasi Yolov1’, vol. 9.

A. Priadana, ‘Analisis Pengaruh Ukuran Citra Hasil Resizing Terhadap Jumlah Keypoint Hasil Ekstraksi Ciri Pada Metode Sift Dan Surf’.

M. A. Al-Fahrezi, ‘Pengaruh Augmentasi Data Terhadap Akurasi Pelatihan Model CNN untuk Klasifikasi Jenis Ikan’, jitsi, vol. 6, no. 2, pp. 177–185, Jun. 2025, doi: 10.62527/jitsi.6.2.471.

M. Yang, L. S. Ewe, W. K. Yew, S. Deng, and S. K. Tiong, ‘A Survey of Data Augmentation Techniques for Traffic Visual Elements’, Sensors, vol. 25, no. 21, p. 6672, Nov. 2025, doi: 10.3390/s25216672.

A. I. Pradana, H. Harsanto, and W. Wijiyanto, ‘Deteksi Rambu Lalu Lintas Real-Time di Indonesia dengan Penerapan YOLOv11: Solusi Untuk Keamanan Berkendara’, Jurnal Algoritma, vol. 21, no. 2, pp. 145–155, Nov. 2024, doi: 10.33364/algoritma/v.21-2.2106.

F. Gusnanto, N. Rahaningsih, R. Danar Dana, and M. Mulyawan, ‘Optimasi Model Klasifikasi Tingkat Kematangan Buah Mangga Dengan Metode YOLO11’, jati, vol. 9, no. 1, pp. 1773–1780, Jan. 2025, doi: 10.36040/jati.v9i1.12591.

F. Tempola, R. Rosihan, and R. Adawiyah, ‘Holdout Validation for Comparison Classfication Naïve Bayes and KNN of Recipient Kartu Indonesia Pintar’, IOP Conf. Ser.: Mater. Sci. Eng., vol. 1125, no. 1, p. 012041, May 2021, doi: 10.1088/1757-899X/1125/1/012041.

A. R. Muhammad, H. P. Utomo, P. Hidayatullah, and N. Syakrani, ‘Early Stopping Effectiveness for YOLOv4’, J. Inf. Syst. Eng. Bus. Intell., vol. 8, no. 1, pp. 11–20, Apr. 2022, doi: 10.20473/jisebi.8.1.11-20.

R. Akyas Hifdzi Rahman, A. Adi Sunarto, and A. Asriyanik, ‘Penerapan You Only Look Once (Yolo) V8 Untuk Deteksi Tingkat Kematangan Buah Manggis’, jati, vol. 8, no. 5, pp. 10566–10571, Sep. 2024, doi: 10.36040/jati.v8i5.10979.

E. Verdiansyah, F. Nurdiyansyah, and I. Istiadi, ‘Papaya Type Classification Using YOLOv8’, J. Tek. Inform. (JUTIF), vol. 5, no. 5, pp. 1287–1297, Oct. 2024, doi: 10.52436/1.jutif.2024.5.5.2336.

I. A. Zulkarnain, ‘Yolov11 Optimization Through Hyperparameter Tuning and Data Augmentation to Improve Vehicle Detection Accuracy at Night’, vol. 5, 2025.

N. Sary, H. H. S. Pasaribu, R. J. Situmeang, and R. Darmawan, ‘Implementasi Algoritma YOLOv11 Dan Roboflow Untuk Deteksi Tingkat Kematangan Anggur Berbasis Web’, vol. 9, 2025.

Z. Zulkifli and R. Fajri, ‘Klasifikasi Tingkat Kematangan Buah Strawberry Menggunakan Algoritma Logistic Regression’, dsi, vol. 4, no. 2, pp. 50–59, Dec. 2024, doi: 10.47709/dsi.v4i2.4850.

A. Yudhana, E. P. Silmina, and Sunardi, ‘Deteksi Kesegaran Daging Sapi Menggunakan Augmentasi Data Mosaic pada Model YOLOv5sM’, JRST, pp. 63–71, Apr. 2025, doi: 10.30595/jrst.v9i1.24990.