Analisis Kinerja Sistem Deteksi Buah Pisang dan Apel Menggunakan Metode YOLO v8

Abstract

Abstrak
Proses pengelompokan dan pengenalan buah secara manual dianggap tidak efektif dan sering bersifat subjektif, sehingga diperlukan sistem otomatis yang menggunakan teknologi Computer Vision. Perkembangan teknologi Deep Learning mendorong penerapan sistem deteksi objek otomatis di berbagai bidang. Tujuan dari penelitian ini adalah untuk mengevaluasi kinerja sistem yang digunakan untuk mempermudah mengidentifikasi buah pisang dan apel dengan metode YOLO v8. Dataset diperoleh dari platform Roboflow yang telah melalui tahap pelabelan sebelum pelatihan model. Metode yang digunakan adalah eksperimen kuantitatif dengan melakukan beberapa tahapan diantaranya pengumpulan dataset, pelabelan data, pelatihan model, pengujian sistem, dan analisis hasil deteksi. Penelitian ini dilakukan secara real-time menggunakan kamera untuk menguji kemampuan sistem untuk mengenali objek buah. Hasilnya menunjukkan bahwa model YOLO v8 dapat mendeteksi buah pisang dan apel dengan sangat akurat dalam kondisi pencahayaan yang memadai dan objek yang terlihat jelas. Selain itu, sistem dapat menampilkan nama objek dan nilai keyakinan secara real-time. Hasil pengujian menunjukkan bahwa metode YOLO v8 adalah metode yang efektif dan efisien untuk deteksi objek berbasis Computer Vision.
Kata kunci: computer vision, YOLO v8, deep learning, deteksi objek, buah pisang dan apel
Abstract
The manual process of classifying and identifying fruits is considered ineffective and often subjective, necessitating an automated system that utilizes computer vision technology. Advances in deep learning technology have driven the implementation of automated object detection systems across various fields. The objective of this study is to evaluate the performance of a system designed to facilitate the identification of bananas and apples using the YOLO v8 method. The dataset was obtained from the Roboflow platform, which had undergone a labeling phase prior to model training. The method used was a quantitative experiment involving several stages, including dataset collection, data labeling, model training, system testing, and analysis of detection results. This research was conducted in real-time using a camera to test the system’s ability to recognize fruit objects. The results show that the YOLO v8 model can detect bananas and apples with high accuracy under adequate lighting conditions and when the objects are clearly visible. Additionally, the system can display the object name and confidence score in real-time. The test results indicate that the YOLO v8 method is an effective and efficient approach for object detection based on Computer Vision.
Keyword: computer vision, YOLO v8, deep learning, object detection, bananas and apples