Klasifikasi Bobot Semangka Berdasarkan Citra Digital Menggunakan Algoritma YOLOv11

Abstract

Informasi mengenai bobot buah semangka merupakan salah satu aspek penting dalam proses produksi benih karena berkaitan dengan potensi jumlah biji yang dihasilkan. Di PT East West Seed Indonesia, penentuan bobot semangka masih dilakukan melalui penimbangan secara manual di lapangan. Proses tersebut memerlukan waktu, tenaga, dan biaya yang cukup besar serta berisiko menimbulkan kesalahan dalam pencatatan data. Oleh sebab itu, diperlukan suatu sistem yang mampu melakukan klasifikasi bobot semangka secara otomatis, cepat, dan akurat. Penelitian ini bertujuan mengimplementasikan algoritma You Only Look Once version 11 (YOLOv11) untuk mengklasifikasikan bobot semangka berdasarkan citra digital serta mengevaluasi performa model menggunakan metrik precision, recall, mAP@50, dan mAP@50–95. Penelitian dilaksanakan pada bulan September hingga April di lahan PT East West Seed Indonesia yang berlokasi di Kabupaten Jember dan Kabupaten Lamongan, sedangkan proses pengolahan serta analisis data dilakukan di UPT Teknologi Informasi dan Komunikasi Universitas Jember. Data yang digunakan meliputi bobot aktual semangka dan citra digital hasil akuisisi menggunakan drone pada ketinggian 10 meter dan 15 meter. Bobot semangka dikelompokkan ke dalam delapan kelas berdasarkan standar ASEAN, mulai dari kelas 1 dengan bobot kurang dari 2,0 kg hingga kelas 8 dengan bobot lebih dari 7,5 kg. Citra hasil pengambilan kemudian diolah menjadi orthophoto dan diberi anotasi menggunakan perangkat lunak QGIS dengan metode segmentasi. Selanjutnya, orthophoto dipotong menjadi citra berukuran 640 × 640 piksel agar sesuai dengan ukuran masukan model YOLOv11. Dataset penelitian terdiri atas 560 citra pada masing-masing ketinggian. Data tersebut dibagi menjadi data pelatihan, validasi, dan pengujian dengan rasio 80:10:10. Proses pelatihan model dilakukan selama 150 epoch menggunakan platform Kaggle dengan dukungan GPU T4 ×2. Hasil pelatihan menunjukkan bahwa model mampu mempelajari karakteristik data dengan baik, yang ditandai oleh penurunan nilai loss serta peningkatan nilai metrik evaluasi secara bertahap hingga mencapai kondisi yang stabil. Model yang dilatih menggunakan citra pada ketinggian 10 meter memperoleh nilai precision sebesar 0,93, recall sebesar 0,98, mAP@50 sebesar 0,98, dan mAP@50–95 sebesar 0,65. Sementara itu, model pada ketinggian 15 meter menghasilkan nilai precision sebesar 0,94, recall sebesar 0,94, mAP@50 sebesar 0,95, dan mAP@50–95 sebesar 0,58. Berdasarkan hasil evaluasi tersebut, model yang menggunakan citra hasil pengambilan pada ketinggian 10 meter menunjukkan performa yang lebih unggul dibandingkan model pada ketinggian 15 meter. Hal ini disebabkan oleh ukuran objek semangka yang lebih besar dan detail visual yang lebih jelas pada citra, sehingga model dapat mengenali karakteristik objek dengan lebih baik dan menghasilkan tingkat deteksi yang lebih tinggi. Secara keseluruhan, penelitian ini membuktikan bahwa algoritma YOLOv11 mampu mengklasifikasikan bobot semangka berdasarkan citra digital dengan tingkat performa yang tinggi. Sistem yang dikembangkan berpotensi mendukung digitalisasi proses estimasi produksi benih serta menjadi salah satu alternatif penerapan teknologi pertanian presisi berbasis pengolahan citra digital dan kecerdasan buatan pada masa mendatang.