Identifikasi Tingkat Kematangan Buah Tomat Ceri Menggunakan YOLOv8 (Studi Kasus di BBPP Lembang)

Tomat ceri merupakan salah satu tanaman yang populer di Indonesia namun memiliki pantangan yang sulit dalam budidaya dan panennya. Penelitian ini bertujuan mengimplementasikan teknologi deep learning dengan metode YOLOv8 untuk mendeteksi kematangan tomat ceri di BBPP Lembang, serta menganalisis kinerja model dalam identifikasi kematangan. Hal ini penting untuk mengatasi tantangan dalam budidaya tomat ceri, seperti kerusakan buah akibat pembusukan, pematangan cepat, dan kondisi lingkungan yang ekstrem. Dalam penelitian ini untuk pembuatan model identifikasi tingkat kematangan buah tomat ceri dilakukan dengan melakukan pengumpulan dataset mengenai empat kondisi kelas buah tomat ceri yaitu belum matang, aman dipanen, terlalu matang, dan busuk atau rusak, dilakukan preprocessing dataset, penganotasian dataset untuk tiap kelas yang ada pada dataset, pelatihan model YOLOv8, melakukan validasi model, evaluasi model, dan implementasi pada model. Berdasarkan dari tiga skema pengujian yang dilakukan pada penelitian ini menunjukkan bahwa nilai mAP yang didapatkan sebesar 77,5 persen, presisi 77,6 persen, recall sebesar 68,1 persen, dan F1-score sebesar 72.5 persen dengan model YOLOv8 untuk 100 epochs. Adapun faktor-faktor yang mempengaruhi kinerja model untuk mengidentifikasi buah tomat ceri yaitu kualitas dataset, intensitas cahaya, kontras warna, resolusi citra, dan objek yang tumpang tindih. Keakuratan implementasi sistem didapatkan sebesar 85,71 persen. Dengan demikian, berdasarkan hasil pengujiannya, model YOLOv8 ini memiliki kinerja yang baik dalam melakukan identifikasi tingkat kematangan pada buah tomat ceri terutama pada implementasi sistem yang diintegrasikan dengan website.

Kata Kunci: CNN, kematangan buah, tomat ceri, YOLOv8