<![CDATA[Sebagai komoditas hortikultura dengan permintaan pasar yang tinggi dan nilai jual strategis, pisang memerlukan penanganan pascapanen yang tepat, khususnya dalam penentuan fase kematangan. Selama ini, proses penyortiran kematangan buah umumnya dilakukan secara konvensional melalui inspeksi visual manual, yang bersifat subjektif dan berpotensi menghasilkan penilaian yang tidak konsisten. Oleh karena itu, penelitian ini berfokus pada perancangan sistem otomatis berbasis deep learning untuk menghasilkan klasifikasi kematangan yang lebih objektif dan terstandar. Algoritma YOLOv12 digunakan sebagai metode utama untuk mendeteksi serta mengklasifikasikan citra buah ke dalam tiga fase, yaitu mentah, matang, dan lewat matang. Data latih dikembangkan melalui proses anotasi serta augmentasi citra untuk meningkatkan variasi visual dan mencegah overfitting. Hasil evaluasi menunjukkan bahwa model mencapai Mean Average Precision (mAP@0.5) sebesar 95,2% dengan waktu deteksi di bawah 50 ms per gambar. Temuan ini menunjukkan potensi penerapan sistem secara real-time pada lingkungan industri penyortiran buah.]]>
Copyrights © 2026
