<![CDATA[ABSTRAK Penentuan kematangan tandan buah segar (TBS) kelapa sawit di lapangan masih banyak dilakukan secara manual, sehingga bersifat subjektif dan rawan menimbulkan kesalahan panen, sementara penentuan area yang diprioritaskan untuk dipanen lebih dahulu juga belum dilakukan secara sistematis. Penelitian ini mengembangkan dan mengevaluasi SawitScan, aplikasi Android yang menggabungkan deteksi objek YOLO26 untuk klasifikasi kematangan (ripe, underripe, unripe) secara on-device melalui kamera smartphone, pencatatan koordinat GPS otomatis tiap deteksi, dan sistem pendukung keputusan Simple Additive Weighting (SAW) untuk menghitung skor prioritas panen tiap klaster lokasi. Model YOLO26n dilatih pada dataset gabungan 1.124 citra karena arsitekturnya yang ringan dan desain end-to-end tanpa Non-Maximum Suppression yang sesuai untuk implementasi mobile, dengan akurasi kompetitif (precision 89,8%, recall 87,3%, mAP@0.5 92,1%). Evaluasi independen model akhir yang ter-embed pada aplikasi (TFLite) pada data uji menghasilkan mAP@0.5 0,748 dan F1-score 0,743. Sistem SAW memeringkat area panen berdasarkan kombinasi jumlah deteksi ripe, underripe, dan unripe per klaster, dengan bobot 0,6, 0,3, dan 0,1 sesuai urgensi panen. Hasil penelitian menunjukkan deteksi objek on-device, pemetaan berbasis GPS, dan sistem pendukung keputusan dapat diterapkan praktis pada perangkat mobile untuk mendukung perencanaan panen kelapa sawit yang lebih objektif dan efisien. Penelitian selanjutnya dapat diarahkan pada perluasan dataset ke berbagai lokasi perkebunan serta validasi hasil pemeringkatan SAW terhadap data realisasi panen aktual di lapangan. Kata Kunci: Deteksi Objek; Kematangan Kelapa Sawit; Simple Additive Weighting; Sistem Pendukung Keputusan; YOLO26]]>
Copyrights © 2026
