PENDEKATAN DEEP LEARNING HIBRIDA MENGGUNAKAN YOLO V11 DAN CNN UNTUK DETEKSI OBJEK APEL DAN KLASIFIKASI KEMATANGAN REAL TIME

Abstrak

Pertanian apel, khususnya di Indonesia, masih menghadapi banyak tantangan karena belum banyak orang yang menggunakan teknologi modern untuk mengetahui tingkat kematangan buah secara langsung di pohon. Hal ini sangat penting karena waktu panen yang tepat bergantung pada informasi tersebut. Untuk mengatasi masalah ini, penelitian ini bertujuan membuat sistem yang bisa mendeteksi dan mengklasifikasikan tingkat kematangan apel secara langsung di pohon dengan menggunakan pendekatan deep learning yang digabungkan. Kami menggabungkan dua algoritma, yaitu YOLOv11 yang digunakan untuk mendeteksi apel secara cepat, dan Convolutional Neural Network (CNN) yang digunakan untuk mengklasifikasikan apel tersebut menjadi matang atau mentah. Penggunaan model ini dirancang agar bisa memberikan hasil yang lebih baik karena masing-masing model memiliki peran yang berbeda dan saling melengkapi. Sistem yang kami kembangkan berupa aplikasi berbasis website. Model ini dilatih menggunakan dataset yang lengkap, yaitu 1000 gambar pohon apel untuk melatih YOLOv11 dan 3000 gambar apel (matang dan mentah) untuk melatih CNN. Hasil dari sistem ini sangat baik, dengan akurasi klasifikasi kematangan mencapai 99%. Keberhasilan ini menunjukkan bahwa sistem hibrida ini memiliki potensi besar untuk menjadi solusi nyata dalam meningkatkan efisiensi dan akurasi dalam menentukan waktu panen, sehingga bisa membantu dalam modernisasi sektor pertanian apel.