Deteksi Otomatis Kematangan Buah Kelapa Sawit Menggunakan YOLOv8 untuk Pemilihan Model Deteksi Terbaik
DOI:
https://doi.org/10.52436/1.jpti.1135Keywords:
deep learning, deteksi objek, kelapa sawit, kematangan buah, YOLOv8Abstract
Deteksi kematangan buah kelapa sawit secara akurat merupakan faktor penting dalam menjamin kualitas hasil panen dan efisiensi produksi di sektor perkebunan. Metode penilaian manual yang masih banyak digunakan cenderung bersifat subjektif dan tidak konsisten, sehingga diperlukan sistem otomatis yang mampu menganalisis citra buah secara akurat dan terukur. Penelitian ini bertujuan mengembangkan dan membandingkan performa tiga varian model YOLOv8, yaitu YOLOv8n (nano), YOLOv8s (small), dan YOLOv8m (medium), dalam mendeteksi tingkat kematangan buah kelapa sawit yang diklasifikasikan ke dalam tiga kelas, yaitu mentah, setengah matang, dan matang. Dataset beranotasi diperoleh dari Roboflow dan terdiri dari 150 citra dengan distribusi kelas yang seimbang, sehingga mendukung proses pelatihan dan evaluasi model secara objektif. Model dilatih menggunakan Google Colab selama 20 epoch dan dievaluasi menggunakan metrik mean Average Precision (mAP), recall, dan precision. Hasil evaluasi menunjukkan bahwa YOLOv8s merupakan model paling optimal dengan nilai mAP sebesar 0.944, precision 0.956, dan recall 0.895. YOLOv8n unggul dari sisi kecepatan inferensi (2.0 ms), namun memiliki tingkat akurasi yang lebih rendah, sedangkan YOLOv8m menunjukkan performa yang kompetitif dengan kebutuhan sumber daya komputasi yang lebih besar. Berdasarkan analisis keseimbangan antara akurasi dan efisiensi komputasi, YOLOv8s direkomendasikan sebagai solusi deteksi otomatis yang paling efektif. Secara ilmiah, penelitian ini berkontribusi dalam pengembangan metode analisis citra berbasis deep learning untuk mendukung pertanian presisi, khususnya dalam pemilihan model deteksi objek yang optimal pada sistem pemantauan kematangan buah kelapa sawit.
Downloads
References
I. Bonet, M. Gongora, F. Acevedo, and I. Ochoa, “Deep learning model to predict the ripeness of oil palm fruit,” in Proceedings of the 16th International Conference on Agents and Artificial Intelligence, SCITEPRESS - Science and Technology Publications, 2024, pp. 1068–1075, DOI: 10.5220/0012434600003636.
S. Ashari, G. J. Yanris, and I. Purnama, “Oil palm fruit ripeness detection using deep learning,” SinkrOn, vol. 7, no. 2, pp. 649–656, May 2022, DOI: 10.33395/sinkron.v7i2.11420.
F. A. Junior and Suharjito, “Video based oil palm ripeness detection model using deep learning,” Heliyon, vol. 9, no. 1, p. e13036, Jan. 2023, DOI: 10.1016/j.heliyon.2023.e13036.
J. W. Lai, H. R. Ramli, L. I. Ismail, and W. Z. Wan Hasan, “Oil palm fresh fruit bunch ripeness detection methods: A systematic review,” Agriculture, vol. 13, no. 1, p. 156, Jan. 2023, DOI: https://doi.org/10.3390/agriculture13010156.
Z. H. Wong et al., “Palm oil loose fruit detection performance comparison based on deep learning architecture,” Available at SSRN 5252640, DOI: http://dx.doi.org/10.2139/ssrn.5252640.
W. Cai et al., “Rice growth-stage recognition based on improved {YOLOv8} with {UAV} imagery,” Agronomy (Basel), vol. 14, no. 12, p. 2751, Nov. 2024, DOI: https://doi.org/10.3390/agronomy14122751.
A.-R. A. Gamani, I. Arhin, and A. K. Asamoah, “Performance evaluation of {YOLOv8} model configurations, for instance segmentation of strawberry fruit development stages in an open field environment,” arXiv [cs.CV], Aug. 2024, DOI: https://doi.org/10.48550/arXiv.2408.05661.
A. Paul, R. Machavaram, Ambuj, D. Kumar, and H. Nagar, “Smart solutions for capsicum Harvesting: Unleashing the power of {YOLO} for Detection, Segmentation, growth stage Classification, Counting, and real-time mobile identification,” Comput. Electron. Agric., vol. 219, no. 108832, p. 108832, Apr. 2024, DOI: https://doi.org/10.1016/j.compag.2024.108832.
C. Ren, “Development of a deep learning-based insect recognition system: a comparative analysis of different {YOLO} models,” 2025.
M. Rahevar, N. Shah, H. K. Pathak, and S. M. Patel, “Enhancing small object detection in aerial imagery using {YOLOv8} architecture: A study on small birds detection,” in AIP Conference Proceedings, AIP Publishing, 2025, p. 30001, DOI: https://doi.org/10.1063/5.0254155.
R. Vaghela et al., “Land cover classification for identifying the agriculture fields using versions of {YOLO} {V8},” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 18, pp. 8672–8684, 2025, doi: 10.1109/JSTARS.2025.3547058.
B. Hutchinson, N. Rostamzadeh, C. Greer, K. Heller, and V. Prabhakaran, “Evaluation gaps in machine learning practice,” in 2022 ACM Conference on Fairness, Accountability, and Transparency, New York, NY, USA: ACM, Jun. 2022, https://doi.org/10.1145/3531146.3533233.
U. Ali, M. A. Ismail, H. R. A. A., and S. S. R. A., “Performance evaluation of {YOLO} models in plant disease detection,” Journal of Informatics and Web Engineering, vol. 3, no. 2, pp. 199–211, 2024, DOI: https://doi.org/10.33093/jiwe.2024.3.2.15.
J. Bekta?, “Evaluation of YOLOv8 model series with HOP for object detection in complex agriculture domains,” International Journal of Pure and Applied Sciences, vol. 10, no. 1, pp. 162–173, 2024, doi: 10.29132/ijpas.1448068, DOI: https://doi.org/10.29132/ijpas.1448068.
I. G. L. A. Oktapian and G. A. M. Giri, “Identifikasi kematangan buah apel menggunakan algoritma YOLOv8,” Jurnal Nasional Teknologi Informasi dan Aplikasinya, vol. 4, no. 1, pp. 16–27, 2025, DOI: https://doi.org/10.24843/JNATIA.2025.v04.i01.p16.
M. Fathurahman and H. F. Hanum, “Analisis realisasi sistem identifikasi tingkat kematangan buah tomat ceri dengan model YOLOv8 di BBPP Lembang,” Spektral, vol. 6, no. 1, pp. 311–316, Apr. 2025, DOI: https://doi.org/10.32722/spektral.v6i1.7544.
G. Chen, Y. Hou, T. Cui, H. Li, F. Shangguan, and L. Cao, “YOLOv8-CML: a lightweight target detection method for color-changing melon ripening in intelligent agriculture,” Scientific Reports, vol. 14, art. no. 14400, 2024, doi: 10.1038/s41598-024-65293-w.
