Implementasi Deep Learning YOLOv11 Untuk Deteksi Kualitas Apel Segar Dan Busuk Berbasis Streamlit

Authors

DOI:

https://doi.org/10.31004/sicedu.v5i3.1598

Abstract

Kualitas buah apel merupakan salah satu faktor penting dalam menentukan kelayakan konsumsi dan nilai jual produk pertanian. Proses pemeriksaan kualitas apel secara manual sering kali membutuhkan waktu yang lama dan memiliki tingkat subjektivitas yang tinggi. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis Artificial Intelligence (AI) menggunakan metode Deep Learning YOLOv11 untuk mendeteksi kualitas apel segar dan busuk secara otomatis berbasis Streamlit. Dataset penelitian diperoleh dari platform Roboflow dengan jumlah lebih dari 4000 gambar apel segar dan busuk yang telah melalui proses preprocessing data. Model dilatih menggunakan metode object detection berbasis Convolutional Neural Network (CNN) dan diimplementasikan pada aplikasi berbasis Python menggunakan Streamlit dan OpenCV. Sistem mampu melakukan deteksi kualitas apel melalui dua metode, yaitu upload gambar dan realtime detection menggunakan kamera. Hasil pengujian menunjukkan bahwa model memiliki performa yang tinggi berdasarkan nilai Precision, Recall, F1-Score, dan mAP pada proses training model di Roboflow. Aplikasi yang dikembangkan mampu mendeteksi kualitas apel secara realtime dengan tampilan antarmuka yang interaktif dan mudah digunakan.

Kata Kunci: Deep Learning, YOLOv11, Convolutional Neural Network, Object Detection, Streamlit

Kualitas buah apel merupakan salah satu faktor penting dalam menentukan kelayakan konsumsi dan nilai jual produk pertanian. Proses pemeriksaan kualitas apel secara manual sering kali membutuhkan waktu yang lama dan memiliki tingkat subjektivitas yang tinggi. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis Artificial Intelligence (AI) menggunakan metode Deep Learning YOLOv11 untuk mendeteksi kualitas apel segar dan busuk secara otomatis berbasis Streamlit. Dataset penelitian diperoleh dari platform Roboflow dengan jumlah lebih dari 4000 gambar apel segar dan busuk yang telah melalui proses preprocessing data. Model dilatih menggunakan metode object detection berbasis Convolutional Neural Network (CNN) dan diimplementasikan pada aplikasi berbasis Python menggunakan Streamlit dan OpenCV. Sistem mampu melakukan deteksi kualitas apel melalui dua metode, yaitu upload gambar dan realtime detection menggunakan kamera. Hasil pengujian menunjukkan bahwa model memiliki performa yang tinggi berdasarkan nilai Precision, Recall, F1-Score, dan mAP pada proses training model di Roboflow. Aplikasi yang dikembangkan mampu mendeteksi kualitas apel secara realtime dengan tampilan antarmuka yang interaktif dan mudah digunakan.

Published

2026-11-07

How to Cite

Kholish, M., Fajar Shodiq, M., Danarjati Ahmad, F., Bismi, W., Budiawan, I., & Hardi, N. (2026). Implementasi Deep Learning YOLOv11 Untuk Deteksi Kualitas Apel Segar Dan Busuk Berbasis Streamlit. Science and Education Journal (SICEDU), 5(3), 4554–4570. https://doi.org/10.31004/sicedu.v5i3.1598