<![CDATA[Abstract—Deteksi objek merupakan salah satu bidang utama dalam visi komputer yang memiliki peran penting dalam otomasi berbagai sektor, termasuk pertanian dan rantai pasok pangan. Salah satu tantangan besar dalam pengembangan model deteksi objek adalah kualitas anotasi pada data pelatihan, yang secara langsung memengaruhi performa model dalam mengenali dan melokalisasi objek secara akurat. Penelitian ini membandingkan kinerja dua model deteksi berbasis YOLOv11 dalam mengidentifikasi buah pada citra digital yang mengandung lebih dari satu objek. Model pertama, YOLOv11-Lengkap, dilatih menggunakan pendekatan anotasi lengkap, di mana seluruh objek buah dalam gambar diberi label. Model kedua, YOLOv11Terbatas, hanya dilatih dengan anotasi parsial yang mewakili sebagian objek pada gambar. Evaluasi dilakukan menggunakan metrik precision, recall, mean Average Precision pada Intersection over Union (IoU) 0.5 (mAP@0.5) dan rentang IoU 0.5 hingga 0.95 (mAP@0.5:0.95). Hasil menunjukkan bahwa YOLOv11-Lengkap mencapai precision sebesar 0.86863, recall sebesar 0.87763, mAP@0.5 sebesar 0.93058, dan mAP@0.5:0.95 sebesar 0.60492. Sementara itu, YOLOv11-Terbatas memperoleh precision sebesar 0.55847, recall sebesar 0.75712, mAP@0.5 sebesar 0.61573, dan mAP@0.5:0.95 sebesar 0.43064. Temuan ini menunjukkan bahwa strategi pelabelan yang menyeluruh menghasilkan performa deteksi yang lebih unggul, baik dalam akurasi klasifikasi maupun ketepatan pelokalan objek dalam skenario deteksi buah multi-objek.Keywords— YOLOv11, Deteksi Objek, Anotasi Citra, Evaluasi Kinerja, Multi-objek, Buah.]]>
