Analisis Perbandingan YOLO11, YOLO26, Dan RF-DETR Untuk Deteksi Kematangan Pisang Serta Implementasi Pada Aplikasi Mobile
DOI:
https://doi.org/10.31004/sicedu.v5i3.1637Kata Kunci:
Deteksi Objek, Kematangan Pisang, YOLO11, YOLO26, RF-DETRAbstrak
Deteksi tingkat kematangan pisang secara otomatis dapat membantu pengguna mengenali kondisi buah melalui citra digital. Penelitian ini bertujuan membandingkan kinerja tiga model deteksi objek, yaitu YOLO11 Small, YOLO26 Small, dan RF-DETR Small, serta mengimplementasikan model terpilih pada aplikasi mobile Banana Ripeness Vision. Penelitian menggunakan dataset citra pisang yang sama untuk ketiga model, terdiri atas 7.546 citra dengan enam kelas, yaitu FreshRipe, FreshUnripe, Overripe, Ripe, Rotten, dan Unripe. Dataset dibagi menjadi 5.264 citra pelatihan, 1.525 citra validasi, dan 757 citra pengujian. Evaluasi kinerja menggunakan metrik precision, recall, F1-score, dan mean Average Precision pada ambang Intersection over Union 0,50 (mAP@50). YOLO11 Small memperoleh mAP@50 sebesar 88,7%, precision 89,6%, recall 87,6%, dan F1-score 88,6%. YOLO26 Small memperoleh mAP@50 sebesar 90,3%, precision 87,3%, recall 88,7%, dan F1-score 87,9%. RF-DETR Small memperoleh mAP@50 sebesar 94,9%, precision 88,6%, recall 90,0%, dan F1-score 89,3%. RF-DETR Small menghasilkan mAP@50, recall, dan F1-score tertinggi berdasarkan hasil evaluasi yang tercatat. Model tersebut diintegrasikan ke dalam aplikasi Flutter dengan memanfaatkan Roboflow Hosted API dan Supabase. Hasil penelitian menunjukkan potensi RF-DETR Small untuk mendukung deteksi tingkat kematangan pisang melalui aplikasi mobile.






