Implementasi Algoritma Yolov11 pada Raspberry Pi untuk Deteksi Kondisi Fisik Buah Kakao (Theobroma cacao L.)

Ibransyah, Wildan (2026) Implementasi Algoritma Yolov11 pada Raspberry Pi untuk Deteksi Kondisi Fisik Buah Kakao (Theobroma cacao L.). Undergraduate thesis, Politeknik Negeri Jember.

	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (125kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (164kB)
	Text (Laporan Lengkap) Laporan Lengkapp.pdf - Submitted Version Restricted to Registered users only Download (4MB) | Request a copy
	Text (Abstract) Laporan Lengkapp-9.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (227kB)

Abstract

Standardisasi mutu buah kakao (Theobroma cacao L.) pada fase panen sejauh ini masih didominasi oleh estimasi visual manual yang rentan terhadap perbedaan persepsi individu. Penelitian ini bertujuan mengimplementasikan algoritma YOLOv11n pada perangkat Raspberry Pi 5 untuk mendeteksi kondisi fisik buah kakao secara real-time ke dalam dua kategori, yaitu baik dan buruk, berdasarkan karakteristik visual berupa warna, tekstur, dan kondisi permukaan buah. Data dikumpulkan melalui observasi lapangan dan wawancara pakar di kebun kakao Kabupaten Jember, menghasilkan 500 citra berlabel yang terdiri dari 250 citra kondisi baik dan 250 citra kondisi buruk, serta 30 citra background tanpa label. Dataset diproses menggunakan platform Roboflow melalui tahapan preprocessing, pelabelan bounding box, augmentasi data, dan pembagian dataset dengan rasio 70:20:10, sehingga total dataset setelah augmentasi berjumlah 1.643 citra. Model dilatih menggunakan arsitektur Ultralytics pada platform Google Colab selama 100 epoch. Pengujian pada validation set membuahkan rekam matriks yang tinggi, meliputi nilai precision sebesar 0,9869, indeks recall mencapai 0,9907, skor mAP50 di angka 0,9941, beserta capaian mAP50-95 senilai 0,9501. Pengujian real-time menggunakan webcam pada Raspberry Pi 5 menunjukkan tingkat keberhasilan deteksi sebesar 80% dari 10 skenario pengujian. Hasil penelitian membuktikan bahwa YOLOv11n dapat diimplementasikan pada perangkat edge untuk mendukung deteksi kondisi fisik buah kakao secara objektif dan konsisten.

Actions (login required)

View Item