<![CDATA[Abstrak Indonesia, sebagai negara agraris, sangat bergantung pada cabai sebagai komoditas pertanian dengan permintaan yang tinggi, meskipun hasil panennya sering dipengaruhi oleh kondisi musiman. Untuk mengatasi hal ini, computer vision, khususnya YOLO v7, menawarkan solusi untuk mengestimasi hasil panen melalui segmentasi citra otomatis pada daun dan buah cabai. YOLO v7, yang dikenal dengan kecepatan dan akurasinya dalam deteksi objek, digunakan untuk memisahkan daun dan buah cabai dari latar belakang, memberikan informasi yang akurat mengenai jumlah dan kondisi tanaman, yang sangat penting bagi petani dalam perencanaan produksi. Penelitian ini menunjukkan bahwa model YOLO v7 berhasil mendeteksi tanaman cabai dengan nilai loss dan akurasi yang sangat baik, dengan mAP sebesar 0.98625 pada threshold 0.5 dan 0.88092 pada threshold yang lebih tinggi. Keberhasilan segmentasi ini dapat digunakan untuk estimasi hasil panen yang akurat, membantu petani memprediksi hasil panen dengan lebih efisien tanpa perhitungan manual, serta mendukung penerapan sistem pertanian berbasis kecerdasan buatan. Kata kunci : YOLO v7, Buah cabai, YOLO, Segmentasi, Computer Vision. Abstract Indonesia, as an agrarian country, relies on chili as a high-demand agricultural commodity, though harvests are often affected by seasonal conditions (Nauly, 2020; Farid & Subekti, 2012). To address this, computer vision, particularly YOLO v7, offers a solution for estimating harvest yields through automated image segmentation of chili leaves and fruits. YOLO v7, known for its high speed and accuracy in object detection, is employed to separate the leaves and fruits from the background, providing precise information on crop quantity and condition, essential for farmers in production planning. The research found that the YOLO v7 model effectively detected chili plants with excellent loss values and accuracy, achieving a mAP of 0.98625 at a 0.5 threshold and 0.88092 at a higher threshold. This successful segmentation can be used for accurate yield estimation, helping farmers predict harvests more efficiently without manual calculations, and supports the potential for AI-driven agricultural systems. Keywords: YOLO v7, Chili, YOLO Instance Segmentation, Computer Vision.]]>
