<![CDATA[Penentuan kualitas buah jeruk secara manual cenderung tidak konsisten serta memerlukan waktu dan tenaga yang signifikan. Oleh karena itu, penelitian ini bertujuan untuk merancang sistem otomatis dalam mendeteksi kecacatan buah jeruk dengan memanfaatkan model deep learning YOLOv5. Dataset citra buah jeruk dikumpulkan berdasarkan variasi tingkat kematangan, yaitu matang, asam, dan busuk, kemudian diberi label menggunakan platform Roboflow dan dibagi menjadi data pelatihan, validasi, serta pengujian. Proses pelatihan dilakukan melalui platform Google Colab dengan menerapkan dua varian model, yaitu YOLOv5s dan YOLOv5n. Berdasarkan hasil evaluasi, model YOLOv5s menunjukkan akurasi deteksi yang sangat tinggi dengan nilai mAP@0.5 di atas 99% dan mAP@0.5:0.95 mendekati 98%. Sementara itu, YOLOv5n memiliki keunggulan dalam hal kecepatan inferensi meskipun akurasinya sedikit lebih rendah. Pengujian secara real-time menggunakan webcam menunjukkan bahwa kedua model mampu mengenali serta mengklasifikasikan buah jeruk secara tepat, Pengujian real-time menggunakan kamera menghasilkan akurasi 93,33% untuk YOLOv5s dan 86,67% untuk YOLOv5n, sistem ini memiliki potensi besar dalam mendukung proses otomatisasi penilaian mutu buah, meningkatkan efisiensi kerja, dan mengurangi human error dalam proses sortasi.]]>
Copyrights © 2026
