<![CDATA[Estimasi jumlah buah kelapa dalam praktik Majeg di Bali secara manual dinilai tidak efisien dan sangat bergantung pada subjektivitas pengamat. Perkembangan teknologi computer vision, khususnya algoritma You Only Look Once (YOLO), menawarkan solusi deteksi objek yang cepat dan akurat untuk mengatasi keterbatasan tersebut. Namun, pemilihan arsitektur dan optimizer yang sesuai menjadi faktor penting dalam menentukan kinerja model secara keseluruhan. Penelitian ini bertujuan untuk menganalisis dan membandingkan sembilan kombinasi model yang terdiri atas tiga varian arsitektur YOLOv11 (n, s, m) dengan tiga optimizer berbeda (SGD, Adam, dan AdamW) guna menemukan konfigurasi paling optimal untuk tugas estimasi buah kelapa. Dataset penelitian mencakup 254 citra buah kelapa yang diambil di Desa Tusan, Klungkung, Bali, menggunakan kamera smartphone dengan dua kelas objek, yaitu kelapa muda dan kelapa tua. Proses pelatihan dilakukan menggunakan platform Google Colaboratory dengan akselerator GPU Tesla T4, sementara evaluasi kinerja dilakukan berdasarkan tiga metrik utama: akurasi (mAP50), kecepatan inferensi (FPS), dan ukuran model (Size). Analisis cost–benefit dengan bobot 50%–30%–20% menunjukkan bahwa YOLOv11n–SGD menjadi konfigurasi paling optimal dengan skor akhir 0.839, menawarkan keseimbangan terbaik antara akurasi tinggi (mAP50 0.926) dan efisiensi komputasi (5.5 MB). Hasil ini menunjukkan potensi penerapan model untuk estimasi buah kelapa secara real-time di lapangan menggunakan perangkat dengan sumber daya terbatas.).]]>
Copyrights © 2026
