Pendekatan Deep Learning Menggunakan YoloV8 untuk Identifikasi Jenis Buah Apel pada Citra Digital

Devi Yunita (Universitas Pamulang)
Maulana Fansyuri (Universitas Pamulang)
Resti Amalia (Universitas Pamulang)
Bayu Dwi Putra (Universitas Pamulang)

Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Vol. 5 No. 2 (2026): September 2026

Proses identifikasi jenis buah apel yang dilakukan secara manual memiliki sejumlah keterbatasan, seperti adanya subjektivitas dalam penilaian, waktu pemrosesan yang relatif lama, serta kemungkinan terjadinya ketidakkonsistenan hasil, khususnya ketika jumlah citra yang dianalisis cukup banyak. Kondisi tersebut mendorong perlunya pengembangan sistem otomatis yang dapat melakukan proses identifikasi secara cepat, akurat, dan konsisten. Penelitian ini bertujuan untuk mengembangkan sistem identifikasi jenis buah apel dengan menerapkan pendekatan deep learning menggunakan algoritma YOLOv8 serta mengukur akurasi dan kinerja model dalam mengatasi keterbatasan proses identifikasi secara manual. Penelitian menggunakan pendekatan kuantitatif dengan metode eksperimen. Dataset yang digunakan terdiri atas 300 citra digital buah apel yang terbagi ke dalam enam kelas, yaitu Apel Braeburn, Royal Gala, Washington, Golden Apple, Granny Smith, dan Pink Lady. Setiap kelas terdiri dari 50 citra. Dataset selanjutnya dibagi menjadi 70% data training, 20% data validation, dan 10% data testing. Tahapan penelitian meliputi pengumpulan dataset, proses anotasi citra, pembagian dataset, pelatihan model, dan pengujian menggunakan YOLOv8. Model dilatih untuk melakukan deteksi sekaligus klasifikasi jenis objek apel pada citra dalam satu proses. Kinerja model dievaluasi berdasarkan nilai precision, recall, dan mean Average Precision (mAP). Hasil pengujian menunjukkan bahwa model YOLOv8 yang dikembangkan mampu menghasilkan performa yang baik dengan nilai precision sebesar 0,91, recall sebesar 0,88, dan mAP@0.5 sebesar 0,90. Nilai tersebut menunjukkan kemampuan model dalam menghasilkan deteksi yang tepat sekaligus mengenali sebagian besar objek apel yang terdapat pada citra. Penerapan YOLOv8 juga memberikan efisiensi dalam proses identifikasi karena tahapan deteksi dan klasifikasi dapat dilakukan secara bersamaan. Meskipun demikian, beberapa kesalahan klasifikasi masih ditemukan, terutama pada objek dengan karakteristik visual yang serupa dan citra dengan kondisi pencahayaan yang kurang optimal. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan deep learning menggunakan YOLOv8 memiliki kinerja yang baik dan berpotensi digunakan sebagai solusi otomatis untuk identifikasi jenis buah apel berbasis citra digital. Hasil penelitian ini dapat menjadi landasan bagi pengembangan sistem identifikasi yang lebih akurat dan optimal pada penelitian selanjutnya.