KLASIFIKASI KEMATANGAN ALPUKAT HASS MENGGUNAKAN YOLOv8 BERDASARKAN 5 TAHAP KEMATANGAN

Abstract

Alpukat Hass merupakan komoditas pertanian dengan permintaan yang tinggi; namun, penilaian tingkat kematangannya secara manual sebagian besar bersifat subjektif, memakan banyak tenaga, dan rentan terhadap ketidakkonsistenan. Untuk mengatasi keterbatasan ini, penelitian ini mengembangkan sistem computer vision otomatis menggunakan arsitektur YOLOv8-cls untuk mengklasifikasikan tingkat kematangan alpukat Hass secara akurat ke dalam lima tahap yang mendetail. Metodologi penelitian ini memanfaatkan dataset komprehensif sebanyak 14.710 citra digital yang dikategorikan secara sistematis ke dalam tahap Unripe, Breaking, Ripe (First Phase), Ripe (Second Phase), dan Over-ripe. Performa prediktif model dievaluasi secara ketat menggunakan metrik klasifikasi standar, khususnya Overall Accuracy, Precision, Recall, dan analisis Confusion Matrix, untuk menilai kemampuannya dalam membedakan tahapan kelas dengan ambiguitas visual yang tinggi. Hasil eksperimen menunjukkan bahwa model YOLOv8-cls mencapai akurasi klasifikasi yang tangguh sebesar 84,97%, dengan precision sebesar 84,39% dan recall sebesar 84,27%. Lebih lanjut, analisis confusion matrix memberikan wawasan penting yang membuktikan keandalan model dalam meminimalkan kesalahan klasifikasi pada tahap transisi yang saling berdekatan, serta mencapai performa puncak pada tahap ekstrem seperti Unripe (94%) dan Over-ripe (92%). Secara praktis, sistem otomatis ini menawarkan solusi yang terukur (scalable) dan sangat akurat untuk rantai pasokan pertanian, sehingga memungkinkan para petani, distributor, dan konsumen untuk menilai kualitas alpukat secara objektif dan efisien.