PENGEMBANGAN SISTEM KECERDASAN KLASIFIKASI KUALITAS WORTEL MENGGUNAKAN COMPUTER VISION DAN YOLOV11 BERBASIS COLAB CERDAS MODERN
Main Article Content
Abstract
Kualitas wortel, sebagai salah satu produk hortikultura, sangat ditentukan oleh seberapa segar keadaan wortel tersebut. Kesegaran memainkan peranan penting dalam menentukan harga jual di pasaran, serta berpengaruh langsung pada masa penyimpanan, keamanan saat dikonsumsi, dan kepuasan konsumen. Dalam kegiatan sehari-hari, penilaian kualitas wortel umumnya masih menggunakan cara manual, yaitu pemeriksaan visual yang dilakukan oleh pekerja dengan mengamati kondisi kulit, kecerahan, tekstur, bentuk fisik, serta mencari kerusakan atau gejala pembusukan, seperti bercak hitam, kelemahan, dan perubahan warna. Meski metode ini sudah lama digunakan, cara manual ini memiliki beberapa kekurangan yang tidak bisa diabaikan. Penilaian yang bersifat subjektif antar pekerja seringkali menghadirkan hasil penyortiran yang tidak konsisten, terutama ketika produksi meningkat. Selain itu, proses yang dilakukan secara manual memerlukan banyak waktu dan tenaga, serta rentan terhadap kelelahan yang dapat meningkatkan kemungkinan kesalahan manusia. Hal ini bisa mengakibatkan ketidakstabilan kualitas produk yang masuk ke dalam distribusi, yang pada akhirnya merugikan baik produsen maupun konsumen.
Dataset yang digunakan dalam penelitian ini berisi sekitar 1000 gambar wortel dengan variasi dalam kondisi pencahayaan, sudut pengambilan gambar, latar belakang, dan tingkat kerusakan. Data tersebut mencakup dua kategori utama, yaitu wortel segar dan wortel busuk, sehingga model dapat mempelajari perbedaan karakteristik visual antara kedua kategori. Setiap gambar telah dianotasi untuk memberi label pada objek yang akan dipelajari model. Dengan variasi visual yang kaya, model YOLOv11 memiliki kemampuan yang baik untuk melakukan generalisasi ketika menghadapi gambar baru yang belum ada dalam data latihan. Pengembangan sistem berbasis YOLOv11 ini diharapkan dapat mengurangi ketergantungan pada penilaian manual yang sering mengalami kesalahan.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[2] Wang, C.-Y., et al. “YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art.” arXiv, 2022.Bochkovskiy, A., et al. “YOLOv4: Optimal Speed and Accuracy of Object Detection.” arXiv, 2020.K. Elissa, “Title of paper if known,” unpublished.
[3] Tan, M., & Le, Q. “EfficientNet: Rethinking Model Scaling.” ICML, 2021.
[4] Mohanty, S. P., et al. “Using Deep Learning for Image-Based Plant Disease Detection.” Frontiers, 2016.
[5] Koirala, A., et al. “Deep Learning for Real-Time Fruit Detection and Counting.” Sensors, 2022.
[6] Kamilaris, A. & Prenafeta-Boldú, F. “Deep Learning in Agriculture: A Survey.” Computers & Electronics in Agriculture, 2023.
[7] Rinaldi, A., & Setiawan, W.“Implementasi YOLO untuk Klasifikasi Produk Pertanian.” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) – SINTA 2, 2023.
[8] Mulyani, A., & Putra, D.“Analisis Mutu Buah Menggunakan Deep Learning Berbasis Citra.”Jurnal Informasi Interaktif – SINTA 3, 2022.
[9] Mureșan, H., & Oltean, M. “Fruit Recognition from Images Using Deep Learning.” Acta Univ. Sapientiae, 2022.
[10] Li, X., et al. “Vegetable Quality Inspection Based on Computer Vision: A Review.” Food Engineering Reviews, 2020
[11] Rahmad, D., & Wibowo, A.“Klasifikasi Buah Menggunakan Metode CNN dan Augmentasi Citra.”
Jurnal Ilmiah Informatika (JIKO) – SINTA 4, 2021.
[12] Hapsari, P., & Rahayu, D.“Deteksi Kualitas Sayuran Menggunakan Metode Deep Learning.”
Jurnal RESTI – SINTA 2, 2021.
[13] Mulyani, A., & Putra, D.“Analisis Mutu Buah Menggunakan Deep Learning Berbasis Citra.”
Jurnal Informasi Interaktif – SINTA 3, 2022.
[14] Mureșan, H., & Oltean, M. “Fruit Recognition from Images Using Deep Learning.” Acta Univ. Sapientiae, 2020.
[15] Sari, N. P., & Widodo, A.“Klasifikasi Kemampuan Segar/Pbusuk Buah Menggunakan CNN.”
Jurnal Sistem Informasi dan Teknologi (JSIT) – SINTA 4, 2022.