EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Deteksi Otomatis Kematangan Buah Kelapa Sawit Menggunakan YOLOv8 untuk Pemilihan Model Deteksi Terbaik

Anranur Uwaisy Marchiningrum, Alfian Akbar Gozali, Villy Satria Pradithae, Ario Harry Prayogo

Jurnal Pendidikan dan Teknologi Indonesia · 11.03.2026 · 6 (2) · 299-306

DOI: 10.52436/1.jpti.1135 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Jurnal Pendidikan dan Teknologi Indonesia, online erschienen am 11.03.2026. Verfasst von Anranur Uwaisy Marchiningrum und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

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.

Zitieren

APA

Marchiningrum, A. U., Gozali, A. A., Pradithae, V. S., & Prayogo, A. H. (2026). Deteksi Otomatis Kematangan Buah Kelapa Sawit Menggunakan YOLOv8 untuk Pemilihan Model Deteksi Terbaik. Jurnal Pendidikan dan Teknologi Indonesia, 6(2), 299-306. https://doi.org/10.52436/1.jpti.1135

Vancouver

Marchiningrum AU, Gozali AA, Pradithae VS, Prayogo AH. Deteksi Otomatis Kematangan Buah Kelapa Sawit Menggunakan YOLOv8 untuk Pemilihan Model Deteksi Terbaik. Jurnal Pendidikan dan Teknologi Indonesia. 2026;6(2):299-306. doi:10.52436/1.jpti.1135

BibTeX
@article{Marchiningrum2026,
  author = {Marchiningrum, Anranur Uwaisy and Gozali, Alfian Akbar and Pradithae, Villy Satria and Prayogo, Ario Harry},
  title = {Deteksi Otomatis Kematangan Buah Kelapa Sawit Menggunakan YOLOv8 untuk Pemilihan Model Deteksi Terbaik},
  journal = {Jurnal Pendidikan dan Teknologi Indonesia},
  year = {2026},
  volume = {6},
  number = {2},
  pages = {299--306},
  doi = {10.52436/1.jpti.1135}
}
Kostenlos starten →