<![CDATA[Penyortiran kematangan dan kesegaran tomat secara manual bergantung pada pengamatan visual sehingga berpotensi menghasilkan penilaian yang tidak konsisten dan memperlambat proses distribusi pangan. Penelitian ini bertujuan mengembangkan sistem berbasis web yang mampu mendeteksi kondisi tomat secara otomatis menggunakan algoritma You Only Look Once versi 8 (YOLOv8). Dataset penelitian terdiri atas 1.004 citra dengan 2.427 objek beranotasi yang dikelompokkan ke dalam tiga kelas, yaitu Tomat Segar, Tomat Matang, dan Tomat Tidak Layak. Anotasi objek dilakukan menggunakan bounding box pada platform Roboflow. Data kemudian melalui tahap augmentasi berupa pembalikan horizontal, rotasi, serta penyesuaian hue, kontras, saturasi, kecerahan, dan eksposur sebelum digunakan untuk melatih model. Kinerja deteksi dievaluasi menggunakan precision, recall, mean Average Precision pada ambang Intersection over Union 0,50 (mAP50), mAP50–95, dan confusion matrix. Model menghasilkan precision sebesar 0,924, recall 0,851, mAP50 0,964, dan mAP50–95 0,714. Pengujian confusion matrix pada 214 sampel menghasilkan akurasi keseluruhan 79,9%, dengan precision tertinggi pada kelas Tomat Segar sebesar 83,3% dan recall tertinggi pada kelas Tomat Matang sebesar 92,9%. Model selanjutnya diintegrasikan dengan antarmuka web berbasis HTML, CSS, dan JavaScript, backend PHP, serta modul inferensi Python untuk menampilkan bounding box, label kelas, dan nilai confidence. Hasil penelitian menunjukkan bahwa sistem dapat membantu penyortiran tomat secara lebih cepat dan objektif, meskipun ketepatan lokalisasi objek serta kemampuan menghadapi variasi kondisi nyata masih perlu ditingkatkan.]]>
Copyrights © 2026
