Implementasi YOLOv11 untuk Deteksi Kesegaran dan Estimasi Kandungan Glukosa serta Kalium pada Buah Pisang Cavendish (Studi Kasus : Deteksi Kesegaran Buah Pisang Cavendish dari Supermarket)

Abstract

Penilaian kesegaran buah secara akurat masih menjadi tantangan karena metode manual bersifat subjektif, sementara pendekatan image processing konvensional umumnya terbatas pada klasifikasi citra ke dalam kelas diskrit. Penelitian ini mengusulkan kerangka kerja deep learning berbasis YOLOv11 yang dimodifikasi untuk melakukan estimasi kesegaran buah Pisang Cavendish secara kontinu, termasuk prediksi sisa waktu menuju pembusukan serta estimasi kandungan glukosa total dan kalium berdasarkan citra visual, disertai interval kepercayaan.Berbeda dengan sistem deteksi objek standar, YOLOv11 dimodifikasi agar mampu melakukan agregasi probabilistik confidence multi-frame menggunakan sliding window, sehingga menghasilkan estimasi waktu pembusukan kontinu hingga resolusi menit pada kondisi penyimpanan suhu ruang dan suhu kulkas. Estimasi dinyatakan dalam bentuk nilai rata-rata serta batas bawah dan batas atas untuk merepresentasikan ketidakpastian prediksi. Estimasi kandungan glukosa dan kalium dilakukan secara kuantitatif dengan memodelkan hubungan nonlinier antara tingkat kematangan visual dan perubahan nutrisi. Untuk memperoleh metode pemodelan yang paling sesuai, penelitian ini melakukan perbandingan tiga metode interpolasi yaitu interpolasi linear, cubic spline, dan Piecewise Cubic Hermite Interpolating Polynomial (PCHIP). Hasil perbandingan menunjukkan bahwa PCHIP memberikan estimasi paling stabil dan konsisten secara biologis, sehingga dipilih sebagai metode interpolasi utama dalam sistem. Hasil evaluasi menunjukkan kinerja deteksi yang sangat baik dengan Precision 95,86%, Recall 97,29%, F1-Score 96,57%, mAP@50 98,93%, dan mAP@50–95 85,43%. Penelitian ini berkontribusi pada pengembangan computer vision di bidang pertanian dan pangan melalui pendekatan deteksi visual yang kuantitatif, kontinu, dan uncertainty-aware.