Analisis Lightweight YOLO Pada Deteksi Kesegaran Mangga Berbasis Deep Learning
Keywords:
computer vision; deep learning; lightweight YOLO; mangga; object detectionAbstract
Buah mangga merupakan komoditas hortikultura tropis bernilai ekonomi tinggi, namun kualitasnya dapat menurun akibat tercampurnya buah segar dan buah busuk selama proses distribusi dan pemasaran. Proses sortasi yang masih dilakukan secara manual berpotensi menimbulkan kesalahan karena dipengaruhi subjektivitas, kelelahan, dan keterbatasan manusia. Penelitian ini bertujuan untuk menganalisis performa beberapa model lightweight YOLO dalam mendeteksi mangga segar dan mangga busuk berbasis deep learning. Model yang digunakan meliputi YOLOv5n, YOLOv8n, dan YOLOv11n. Dataset diperoleh dari platform Kaggle yang terdiri atas dua kelas objek, yaitu mangga segar sebanyak 1.813 gambar dan mangga busuk sebanyak 2.247 gambar. Penelitian dilakukan menggunakan metode eksperimen komparatif melalui tahapan preprocessing, augmentasi data, pembagian dataset menggunakan stratified split dengan rasio 80% data training, 10% validation, dan 10% testing, serta pelatihan model selama 100 epoch menggunakan GPU NVIDIA A100 pada Google Colab. Evaluasi performa dilakukan menggunakan precision, recall, F1-Score, mAP@50, dan mAP@50:95. Hasil penelitian menunjukkan bahwa ketiga model menghasilkan performa deteksi yang sangat baik dengan nilai evaluasi di atas 0,95. YOLOv5n memperoleh precision tertinggi sebesar 0,955, recall tertinggi sebesar 0,966, dan F1-Score tertinggi sebesar 0,960. Sementara itu, YOLOv11n memperoleh nilai mAP@50 tertinggi sebesar 0,987 dan mAP@50:95 tertinggi sebesar 0,959, serta memiliki nilai GFLOPs paling rendah sebesar 6,3. Berdasarkan hasil tersebut, YOLOv11n direkomendasikan sebagai model terbaik karena memiliki kemampuan lokalisasi objek yang lebih baik dan efisiensi komputasi yang lebih tinggi untuk penerapan real-time. Penelitian ini menunjukkan bahwa model lightweight YOLO berpotensi diterapkan pada sistem sortasi otomatis buah mangga berbasis computer vision.
References
Badgujar, C. M., Poulose, A., & Gan, H. (2024). Agricultural object detection with You Only Look Once (YOLO) Algorithm: A bibliometric and systematic literature review. Computers and Electronics in Agriculture, 223, 109090. https://doi.org/10.1016/j.compag.2024.109090
Gamani, A.-R. A., Arhin, I., & Asamoah, A. K. (2024). Performance Evaluation of YOLOv8 Model Configurations, for Instance Segmentation of Strawberry Fruit Development Stages in an Open Field Environment. https://arxiv.org/abs/2408.05661
Ge, Z., Liu, S., Wang, F., Li, Z., & Sun, J. (2021). {YOLOX:} Exceeding {YOLO} Series in 2021. CoRR, abs/2107.0. https://arxiv.org/abs/2107.08430
Heaton, J. (2017). Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning. Genetic Programming and Evolvable Machines, 19(1–2), 305–307. https://doi.org/10.1007/s10710-017-9314-z
Howard, A., Sandler, M., Chen, B., Wang, W., Chen, L.-C., Tan, M., Chu, G., Vasudevan, V., Zhu, Y., Pang, R., Adam, H., & Le, Q. (2019). Searching for MobileNetV3. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV) (pp. 1314–1324). IEEE. https://doi.org/10.1109/iccv.2019.00140
Jegham, N., Koh, C. Y., Abdelatti, M., & Hendawi, A. (2025). YOLO Evolution: A Comprehensive Benchmark and Architectural Review of YOLOv12, YOLO11, and Their Previous Versions. https://arxiv.org/abs/2411.00201
Nuha, M. S., & Alexandro H., R. (2022). Pemanfaatan Yolo untuk Pengenalan Kesegaran Buah Mangga. Joutica, 7(1), 513. https://doi.org/10.30736/jti.v7i1.747
Padilla, R., Passos, W. L., Dias, T. L. B., Netto, S. L., & da Silva, E. A. B. (2021). A Comparative Analysis of Object Detection Metrics with a Companion Open-Source Toolkit. Electronics, 10(3), 279. https://doi.org/10.3390/electronics10030279
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0197-0
Sirisha, U., Praveen, S. P., Srinivasu, P. N., Barsocchi, P., & Bhoi, A. K. (2023). Statistical Analysis of Design Aspects of Various YOLO-Based Deep Learning Models for Object Detection. International Journal of Computational Intelligence Systems, 16(1), 126. https://doi.org/10.1007/s44196-023-00302-w
Tan, M., & Le, Q. (2019). {E}fficient{N}et: Rethinking Model Scaling for Convolutional Neural Networks. In K. Chaudhuri & R. Salakhutdinov (Eds.), Proceedings of the 36th International Conference on Machine Learning (Vol. 97, pp. 6105–6114). PMLR. https://proceedings.mlr.press/v97/tan19a.html
Zhong, Z., Yun, L., Cheng, F., Chen, Z., & Zhang, C. (2024). Light-YOLO: A Lightweight and Efficient YOLO-Based Deep Learning Model for Mango Detection. Agriculture, 14(1), 140. https://doi.org/10.3390/agriculture14010140
Zou, Z., Chen, K., Shi, Z., Guo, Y., & Ye, J. (2023). Object Detection in 20 Years: A Survey. Proceedings of the IEEE, 111(3), 257–276. https://doi.org/10.1109/jproc.2023.3238524
