PENERAPAN DETEKSI KECACATAN BUAH JERUK MENGGUNAKAN MODEL DEEP LEARNING YOLOV5
DOI:
https://doi.org/10.23960/jitet.v14i1.8897Abstract Views: 45 File Views: 17
Keywords:
Deep Learning, YOLOv5, Deteksi Citra, Kecacatan BuahAbstract
Penentuan kualitas buah jeruk secara manual cenderung tidak konsisten serta memerlukan waktu dan tenaga yang signifikan. Oleh karena itu, penelitian ini bertujuan untuk merancang sistem otomatis dalam mendeteksi kecacatan buah jeruk dengan memanfaatkan model deep learning YOLOv5. Dataset citra buah jeruk dikumpulkan berdasarkan variasi tingkat kematangan, yaitu matang, asam, dan busuk, kemudian diberi label menggunakan platform Roboflow dan dibagi menjadi data pelatihan, validasi, serta pengujian. Proses pelatihan dilakukan melalui platform Google Colab dengan menerapkan dua varian model, yaitu YOLOv5s dan YOLOv5n. Berdasarkan hasil evaluasi, model YOLOv5s menunjukkan akurasi deteksi yang sangat tinggi dengan nilai mAP@0.5 di atas 99% dan mAP@0.5:0.95 mendekati 98%. Sementara itu, YOLOv5n memiliki keunggulan dalam hal kecepatan inferensi meskipun akurasinya sedikit lebih rendah. Pengujian secara real-time menggunakan webcam menunjukkan bahwa kedua model mampu mengenali serta mengklasifikasikan buah jeruk secara tepat, Pengujian real-time menggunakan kamera menghasilkan akurasi 93,33% untuk YOLOv5s dan 86,67% untuk YOLOv5n, sistem ini memiliki potensi besar dalam mendukung proses otomatisasi penilaian mutu buah, meningkatkan efisiensi kerja, dan mengurangi human error dalam proses sortasi.
Downloads
References
C. Samu, M. Anggraeni, A. Ratih, dan G. Atiqasani, “The Contribution of Agricultural Crop Production towards the Economic Growth of Indonesia’s Agricultural Sector,” E3S Web of Conferences, vol. 444, 02034, 2023.
M. Al-Dairi, P. B. Pathare, R. Al-Yahyai, and U. L. Opara, “Mechanical damage of fresh produce in postharvest transportation: Current status and future prospects,” Trends in Food Science & Technology, vol. 124, pp. 195–207, 2022
L. Lusiana, A. Wibowo, and T. K. Dewi, “Implementasi algoritma deep learning You Only Look Once (YOLOv5) untuk deteksi buah segar dan busuk,” Paspalum: Jurnal Ilmiah Pertanian, vol. 11, no. 1, pp. 123–130, 2023
J. Luis Valenzuela, “Advances in Postharvest Preservation and Quality of Fruits and Vegetables,” Foods, vol. 12, no. 9, art. 1830, Apr. 2023, doi:10.3390/foods12091830.
S. Rajmohan, M. T. Mendem, S. S. Vanam, and P. K. Thalapally, “Online grading of fruits using deep learning models and computer vision,” in Proc. 4th Int. Conf. Information Management & Machine Intelligence (ICIMMI), Dec. 2022, pp. 1–8.
Q. Mohti, R. Wahyudi, and H. Mustofa, “Penerapan metode YOLOv5 dalam mendeteksi penyakit tanaman buah naga,” in Proc. Seminar Nasional Teknologi & Sains, vol. 3, no. 1, Jan. 2024, pp. 318–323.
S. Aras, P. Tanra, and M. Bazhar, “Deteksi tingkat kematangan buah tomat menggunakan YOLOv5,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, pp. 623–628, 2024.
D. Minott, S. Siddiqui, dan R. J. Haddad, “Benchmarking Edge AI Platforms: Performance Analysis of NVIDIA Jetson and Raspberry Pi 5 with Coral TPU,” in Proc. IEEE SoutheastCon 2025, pp. 1384–1389, 2025.
R. Khanam, T. Asghar, and M. Hussain, “Comparative performance evaluation of YOLOv5, YOLOv8, and YOLOv11 for solar panel defect detection,” Solar, vol. 5, no. 1, p. 6, Feb. 2025.
H. Wang, Z. Xie, Y. Yang, J. Li, Z. Huang, and Z. Yu, “Fast identification of tomatoes in natural environments by improved YOLOv5s,” Journal of Agricultural Engineering, vol. 55, no. 3, 2024.
Z. Liu dan X. Li, “An improved YOLOv5-based apple leaf disease detection method,” Scientific Reports, vol. 14, 17508, 2024.
Z. Liu, L. Wang, Z. Liu, X. Wang, C. Hu, and J. Xing, “Detection of cotton seed damage based on improved YOLOv5,” Processes, vol. 11, no. 9, Art. no. 2682, 2023, doi: 10.3390/pr11092682.
E. Tapia-Mendez, M. Hernandez-Sandoval, S. Salazar-Colores, I. A. Cruz-Albarran, dan L. A. Morales-Hernandez, “A Novel Deep Learning Approach for Precision Agriculture: Quality Detection in Fruits and Vegetables Using Object Detection Models,” Agronomy, vol. 15, no. 6, Art. no. 1307, May 2025, doi: 10.3390/agronomy15061307.
L. Liu, W. Ouyang, X. Wang, et al., “Deep Learning for Generic Object Detection: A Survey,” International Journal of Computer Vision, vol. 128, pp. 261–318, Feb. 2020.
J. Chen, S. Pan, Y. Chan, Y. Ni, and D. Ye, “A new method based on YOLOv5 and multiscale data augmentation for visual inspection in substation,” Scientific Reports, vol. 14, no. 1, Art. no. 9362, 2024.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Informatika dan Teknik Elektro Terapan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
