Analisis Pengolahan Data Citra dan Visualisasi Dashboard Web pada Sistem Klasifikasi Kematangan Buah Tomat

Proses penyortiran tingkat kematangan buah tomat secara manual masih memiliki beberapa kelemahan, seperti hasil yang tidak konsisten, penilaian yang subjektif, serta kurang efisien dalam penggunaan waktu dan tenaga kerja. Penelitian ini bertujuan untuk mengembangkan sistem penyortiran dan monitoring kematangan buah tomat menggunakan algoritma
YOLOv8s yang diimplementasikan pada Raspberry Pi serta dilengkapi dashboard web berbasis Node-RED untuk menampilkan hasil deteksi secara real-time. Dataset yang digunakan terdiri atas empat kelas, yaitu tomat matang, tomat mentah, bukan tomat, dan null, dengan jumlah data yang seimbang pada setiap kelas. Proses pelatihan model dilakukan menggunakan citra beresolusi 416 × 416 piksel selama 50 epoch. Berdasarkan hasil pelatihan, model YOLOv8s memperoleh nilai precision sebesar 99%, recall sebesar 99%, mAP@0.5 sebesar 99%, dan mAP@0.5:0.95 sebesar 97%, yang menunjukkan kemampuan deteksi objek yang sangat baik. Pengujian sistem terhadap 30 data uji menghasilkan akurasi sebesar 80,00%, dengan nilai F1-Score masing-masing sebesar 87,50% pada kelas tomat matang, 85,71% pada kelas tomat mentah, 71,43% pada kelas bukan tomat, dan 75,00% pada kelas null. Selain itu, komunikasi data antara aplikasi Flask dan dashboard Node-RED berjalan dengan baik sehingga hasil klasifikasi dapat ditampilkan secara real-time. Berdasarkan hasil tersebut, sistem yang dikembangkan mampu melakukan klasifikasi kematangan buah tomat secara otomatis dan menyediakan media monitoring yang mendukung penerapan teknologi Internet of Things (IoT) pada proses penyortiran buah.