Identifikasi Kematangan Buah Tomat (Solanum lycopersicum) Menggunakan Yolov5n
DOI:
https://doi.org/10.24843/jbeta.2026.v14.i02.p17Kata Kunci:
computer vision, deep learning, object detection, tomato ripeness, Raspberry Pi, YOLOv5Abstrak
Identifikasi tingkat kematangan buah tomat secara manual di lahan terbuka menghadapi berbagai kendala, seperti ketidakkonsistenan hasil, kebutuhan tenaga kerja yang besar, dan pemanenan yang tidak tepat waktu. Penelitian ini bertujuan untuk mengembangkan sistem deteksi buah tomat dan klasifikasi tingkat kematangannya menggunakan algoritma YOLOv5n yang diimplementasikan pada perangkat Raspberry Pi 2. Dataset yang digunakan berasal dari LaboroTomato yang terdiri dari 440 citra buah tomat, kemudian melalui proses augmentasi menghasilkan total 1.320 citra yang dibagi menjadi data latih (70%), data validasi (15%), dan data uji (15%). Pelatihan model dilakukan menggunakan Google Colab dengan GPU NVIDIA Tesla T4 selama 100 epoch. Hasil penelitian menunjukkan bahwa model YOLOv5n mencapai precision sebesar 96,28%, recall sebesar 94,22%, F1-Score sebesar 95,24%, serta mAP@0.5 sebesar 97,99%. Konversi model ke format ONNX meningkatkan kecepatan inferensi sebesar 20,5% dengan waktu rata-rata 1,47 detik per frame pada Raspberry Pi 2. Validasi lapangan yang melibatkan empat praktisi menunjukkan tingkat persetujuan sebesar 80,56%, dengan persetujuan tertinggi pada kategori tomat mentah (89,29%) dan matang (85,71%), serta terendah pada kategori setengah matang (66,67%). Sistem ini terbukti dapat diimplementasikan pada perangkat embedded dengan performa yang baik dan dapat diterima untuk aplikasi praktis di lapangan pertanian.
Referensi
Badan Pusat Statistik. (2024). Statistik Hortikultura 2023: Tomat. https://www.bps.go.id
Dwyer B, Nelson J, & Solawetz J. (2024). Roboflow: Computer Vision Tools for Developers and Enterprises. (atau Roboflow Platform for Computer Vision). Roboflow Inc. https://roboflow.com.
Girshick, R. (2015). Fast R-CNN. 1440–1448. http://arxiv.org/abs/1504.08083
Gonzalez, R. C. ., & Woods, R. E. . (2018). Digital image processing. Pearson.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. The MIT Press.
Huang, C., Liu, C., & Zhao, Y. (2023). Fruit recognition system based on Raspberry Pi and YOLOv5. 12918(Iccsct), 78. https://doi.org/10.1117/12.3009436
Jocher, G., Chaurasia, A., & Qiu, J. (2020). YOLOv5 by Ultralytics. https://github.com/ultralytics/yolov5
Kementerian Pertanian Republik Indonesia. (2023). Outlook Komoditas Hortikultura: Tomat 2023. https://www.pertanian.go.id
Laboro.AI. (2019). LaboroTomato: Instance Segmentation Dataset. https://github.com/laboroai/LaboroTomato
Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Li, R., Ji, Z., Hu, S., Huang, X., Yang, J., & Li, W. (2023). Tomato Maturity Recognition Model Based on Improved YOLOv5 in Greenhouse. Agronomy, 13(2). https://doi.org/10.3390/agronomy13020603
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. https://doi.org/10.1109/CVPR.2016.91
Ren, S., He, K., Girshick, R., & Sun, J. (2015, June 4). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. http://arxiv.org/abs/1506.01497
Upton, E., & Halfacree, G. (2014). Raspberry Pi User Guide (2nd ed.). Wiley.
Wang, C., Wang, C., Wang, L., Wang, J., Liao, J., Li, Y., & Lan, Y. (2023). A Lightweight Cherry Tomato Maturity Real-Time Detection Algorithm Based on Improved YOLOV5n. Agronomy, 13(8). https://doi.org/10.3390/agronomy13082106
Zheng, Z., Wang, P., Liu, W., Li, J., Ye, R., & Ren, D. (2019). Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression. http://arxiv.org/abs/1911.08287
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 I Made Arya Yugo Satriawan, I Putu Gede Budisanjaya , I Made Supartha Utama
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Ketentuan Lisensi
Semua artikel yang diterbitkan dalam Jurnal Beta (Biosistem dan Teknik Pertanian) bersifat open access dan dilisensikan di bawah Creative Commons Attribution 4.0 International License (CC BY 4.0). Hal ini berarti siapa pun berhak untuk:
-
Berbagi — menyalin dan mendistribusikan kembali materi dalam bentuk atau format apa pun.
-
Adaptasi — menggubah, mengubah, dan mengembangkan materi untuk tujuan apa pun, termasuk tujuan komersial.
Namun, hak tersebut diberikan dengan ketentuan sebagai berikut:
-
Atribusi — Anda harus memberikan pengakuan yang sesuai, menyertakan tautan ke lisensi, dan menunjukkan jika ada perubahan yang dilakukan. Hal ini dapat dilakukan dengan cara yang wajar, tetapi tidak boleh dengan cara yang menyiratkan bahwa pemberi lisensi mendukung Anda atau penggunaan Anda.
-
Tanpa pembatasan tambahan — Anda tidak boleh menerapkan ketentuan hukum atau langkah teknologi yang secara hukum membatasi orang lain untuk melakukan hal-hal yang diizinkan oleh lisensi ini.
Dengan mengirimkan artikel ke Jurnal Beta (Biosistem dan Teknik Pertanian), penulis menyetujui penerbitan karya mereka di bawah lisensi akses terbuka ini. Hak cipta tetap dimiliki oleh penulis, namun penulis memberikan hak publikasi pertama kepada Jurnal Beta (Biosistem dan Teknik Pertanian).
Untuk informasi lebih lanjut mengenai lisensi CC BY 4.0, silakan kunjungi situs resmi: https://creativecommons.org/licenses/by/4.0/
