Deteksi Kematangan Buah Sawit dengan YOLOv11 dan Raspberry Pi 5

BAYU ALVIANSYAH PUTRA, . (2025) Deteksi Kematangan Buah Sawit dengan YOLOv11 dan Raspberry Pi 5. Skripsi thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text 1.Cover_123210001.pdf Download (110kB)
	Text 2.Abstrak_123210001.pdf Download (180kB)
	Text 3.Halaman pengesahan_123210001.pdf Download (956kB)
	Text 4.Daftar isi_123210001.pdf Download (159kB)
	Text 5.Daftar pustaka_123210001.pdf Download (178kB)
	Text 6.Fulltext_123210001.pdf Restricted to Repository staff only Download (3MB)

Abstract

ABSTRAK

Kelapa sawit merupakan komoditas penting bagi perekonomian Indonesia. Untuk menghasilkan minyak dengan mutu tinggi, buah sawit harus dipanen pada tingkat kematangan yang tepat. Namun, proses klasifikasi kematangan masih mengandalkan pengamatan manual yang rentan kesalahan. Seiring berkembangnya teknologi, metode deep learning seperti Convolutional Neural Networks (CNN) dan You Only Look Once (YOLO) mulai diterapkan dalam deteksi kematangan buah. Raspberry Pi 5 sebagai komputer mini berbiaya rendah menawarkan solusi portabel dan hemat energi untuk integrasi sistem deteksi berbasis YOLOv11.

Penelitian ini bertujuan mengimplementasikan dan menguji kinerja model YOLOv11 pada Raspberry Pi 5 dalam mendeteksi tingkat kematangan buah sawit. Dataset yang digunakan dibagi menjadi data pelatihan dan pengujian dengan augmentasi berupa rotasi, perubahan kecerahan, flip, serta Gaussian blur untuk meningkatkan generalisasi model. Evaluasi dilakukan dengan mengukur confusion matrix, precision, recall, F1-score, mAP50, mAP50-95, konsumsi sumber daya perangkat, kecepatan frame per second (FPS), serta jarak deteksi.

Hasil pengujian menunjukkan model YOLOv11 mampu mencapai nilai precision sebesar 0,98, recall 0,875, dan F1-score 0,851906. Nilai mAP50 diperoleh sebesar 0,885 sedangkan mAP50-95 sebesar 0,623. Berdasarkan pemantauan task manager Raspberry Pi 5, rata-rata penggunaan CPU mencapai tujuh puluh satu persen dan RAM seribu tujuh ratus enam puluh empat selama proses deteksi berlangsung. Perhitungan kecepatan deteksi menghasilkan rata-rata sembilan belas koma delapan empat FPS dengan rata-rata lima belas koma lima tiga objek terdeteksi setiap lima detik. Selain itu, sistem mampu melakukan deteksi secara optimal pada jarak empat puluh lima sampai lima puluh sentimeter.

Dengan demikian, implementasi YOLOv11 pada Raspberry Pi 5 terbukti dapat bekerja secara efisien untuk deteksi kematangan buah sawit dengan akurasi yang baik dan performa yang stabil. Sistem ini berpotensi dikembangkan lebih lanjut sebagai solusi portabel yang mampu meningkatkan efisiensi panen dan kualitas produksi minyak sawit secara berkelanjutan.

Kata Kunci: YOLOv11, Raspberry Pi 5, Kelapa sawit, Deteksi Kematangan.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	BAYU ALVIANSYAH PUTRA (Penulis - 123210001) DHIMAS ARIEF DHARMAWAN (Pembimbing)
Uncontrolled Keywords:	YOLOv11, Raspberry Pi 5, Kelapa sawit, Deteksi Kematangan.
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	17 Oct 2025 07:10
Last Modified:	17 Oct 2025 07:10
URI:	http://eprints.upnyk.ac.id/id/eprint/44548

Actions (login required)

View Item