IMPLEMENTASI CNN UNTUK DETEKSI TINGKAT KEMATANGAN BUAH PISANG DENGAN ARSITEKTUR YOLOV7

Abstrak

Deteksi tingkat kematangan buah pisang secara otomatis merupakan tantangan penting dalam industri pertanian dan distribusi hasil panen. Penentuan tingkat kematangan yang akurat dapat membantu mengurangi pemborosan, meningkatkan efisiensi distribusi, dan menjamin kualitas produk kepada konsumen. Penelitian ini mengimplementasikan arsitektur Convolutional Neural Network (CNN) berbasis YOLOv7 (You Only Look Once version 7) untuk mengklasifikasikan dan mendeteksi tingkat kematangan buah pisang secara real-time. Dataset yang digunakan terdiri dari gambar buah pisang dengan berbagai tingkat kematangan, yang telah diberi label sesuai kategori seperti mentah, setengah matang, dan matang. Proses pelatihan model dilakukan menggunakan framework PyTorch dengan optimalisasi pada parameter learning rate, batch size, dan epoch. Hasil pengujian menunjukkan bahwa model YOLOv7 mampu mendeteksi dan mengklasifikasikan tingkat kematangan pisang dengan akurasi mencapai XX% dan waktu inferensi yang cepat, sehingga cocok digunakan dalam aplikasi berbasis edge computing atau sistem sortasi otomatis. Penelitian ini membuktikan bahwa YOLOv7 efektif dalam tugas deteksi objek sekaligus klasifikasi tingkat kematangan, serta memberikan kontribusi terhadap pengembangan teknologi pertanian cerdas (smart agriculture).