Pengembangan Aplikasi Android Untuk Deteksi Kondisi Buah Kakao Berbasis Deep Learning Dengan Algoritma Yolo V8
Tahun 2025 · Penulis: Teguh Efendi
Faculty of Agricultural Technology, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Kakao (Theobroma cacao) merupakan salah satu komoditas perkebunan penting yang memiliki nilai ekonomi tinggi, khususnya sebagai bahan baku utama dalam industri cokelat dunia. Indonesia menempati urutan ke-12 sebagai eksportir kakao global dengan kontribusi sebesar 2,32%. Kualitas buah kakao menjadi faktor utama yang mempengaruhi daya saing di pasar internasional, sehingga upaya menjaga mutu produk sangat krusial. Salah satu tantangan dalam menjaga kualitas kakao adalah serangan penyakit yang disebabkan oleh mikroorganisme dan jamur, seperti helopeltis, yang dapat menyebabkan buah menjadi busuk. Identifikasi penyakit secara manual memiliki keterbatasan dari segi waktu, tenaga, dan akurasi, terutama jika dilakukan dalam skala besar. Oleh karena itu, diperlukan penerapan teknologi berbasis kecerdasan buatan untuk membantu proses identifikasi secara otomatis dan efisien. Penelitian ini bertujuan untuk mengembangkan aplikasi Android yang mampu mendeteksi kondisi buah kakao secara otomatis menggunakan algoritma deep learning You Only Look Once (YOLO). Algoritma ini dipilih karena memiliki kecepatan dan akurasi tinggi serta dapat dijalankan menggunakan kamera RGB pada smartphone, sehingga praktis digunakan langsung oleh petani di lapangan. Metode penelitian meliputi beberapa tahapan penting. Pertama, dilakukan augmentasi data untuk menyeimbangkan distribusi kelas dan memperkaya variasi gambar tanpa menambah data baru secara manual. Teknik augmentasi yang digunakan antara lain rotasi, flipping, dan penyesuaian kecerahan. Selanjutnya, dataset yang telah dilabeli dibagi menjadi dua bagian, yaitu data pelatihan (80%) dan data pengujian (20%). Model YOLOv8 kemudian dilatih menggunakan data pelatihan untuk mengenali berbagai kondisi buah kakao. Evaluasi performa model dilakukan dengan menggunakan metrik seperti Precision, Recall, dan Mean Average Precision (mAP). Setelah pelatihan, model dikonversi ke format TensorFlow dan diintegrasikan ke dalam aplikasi Android yang dikembangkan menggunakan Android Studio. Aplikasi ini memiliki antarmuka yang sederhana dan dapat digunakan secara langsung oleh petani melalui kamera smartphone untuk mendeteksi kondisi buah di lapangan. Pengujian aplikasi dilakukan pada beberapa jenis smartphone untuk menilai akurasi dan stabilitas performa deteksi. Tahap awal penelitian dilakukan dengan anotasi data menggunakan aplikasi CVAT, menghasilkan total 6.287 label dari 998 gambar, terbagi dalam tiga kelas: Sehat, Helopeltis, dan Busuk. Karena distribusi data tidak seimbang, dilakukan augmentasi khususnya pada kelas minoritas menggunakan teknik seperti flipping dan penyesuaian kecerahan. Hasilnya, jumlah label meningkat menjadi 7.875, dengan distribusi yang lebih merata antar kelas. Model YOLOv8 dilatih menggunakan data hasil augmentasi dengan 100 epoch. Evaluasi menggunakan confusion matrix menunjukkan performa model cukup baik, meskipun masih terdapat kesalahan deteksi pada latar belakang gambar. Hasil evaluasi performa menunjukkan bahwa model memiliki precision rata-rata 78,6% dan recall 71,4%. Kelas Busuk menunjukkan performa terbaik dengan precision 87% dan mAP 0.5 sebesar 83%, karena objeknya memiliki kontras visual tinggi sehingga mudah dikenali. Setelah pelatihan, model diintegrasikan ke dalam aplikasi Android berbasis kamera smartphone. Aplikasi terdiri dari beberapa tampilan utama seperti splashscreen, menu utama, hasil deteksi, dan informasi pengembang. Pengujian aplikasi menggunakan berbagai gambar menunjukkan bahwa hasil prediksi cukup konsisten dengan kondisi nyata, menunjukkan bahwa model mampu bekerja baik di luar data pelatihan. Aplikasi berhasil mendeteksi kondisi buah kakao secara real-time dan responsif di lapangan, serta memiliki potensi untuk membantu petani melakukan pemantauan secara cepat dan akurat. Hasil pelatihan model menggunakan algoritma YOLOv8 menunjukkan bahwa performa terbaik diperoleh pada kelas buah kakao yang busuk, dengan kemampuan deteksi yang tinggi terhadap ciri visual khas. Secara umum, model mampu melakukan prediksi yang seimbang pada ketiga kelas (sehat, busuk, dan terkena penyakit), dengan nilai precision dan recall yang cukup stabil. Selain itu, hasil pengujian aplikasi menunjukkan bahwa model dapat diterapkan dengan baik di perangkat Android dan mampu melakukan deteksi secara konsisten. Aplikasi berjalan stabil dan responsif, baik dalam mode lokal maupun terhubung ke backend, sehingga layak digunakan langsung oleh pengguna di lapangan sebagai alat bantu identifikasi kondisi buah kakao secara cepat dan praktis.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,857
Tahun 2026 · Penulis: Anggun Mellanie
Penerapan Arsitektur TL-MobileNetV2 Untuk Klasifikasi Pisang Lokal Berbasis Mobile
Pisang adalah salah satu komoditas hortikultura dengan berbagai varietas dan beragam karakteristik morfologis. Akan tetapi, beberapa varietas pisang memiliki ciri visual yang serupa seperti tekstur bentuk, warna, dan kulit, sehingga identifikasi manual sulit d
- Cosine 0,838
Tahun 2026 · Penulis: I’in Mardhiana
Implementasi Arsitektur Improved YOLOv8 untuk Deteksi Penyakit Buah Kakao Menggunakan Citra Buah Berbasis Website
Sektor perkebunan kakao Indonesia memainkan peranan strategis dalam perdagangan internasional, tetapi stabilitas produksinya terhambat oleh hama dan wabah penyakit. Fluktuasi dalam nilai ekspor biji kakao selama periode 2022-2025 yang secara singkat mencapai 8
- Cosine 0,822
Tahun 2026 · Penulis: Mochamad Oktaviano Gunawan
Pengembangan Sistem Deteksi Kesehatan Tanaman Kubis Berbasis Low Altitude Monitoring & Deep Learning
Kesehatan tanaman kubis merupakan salah satu faktor penting yang memengaruhi produktivitas dan kualitas hasil panen. Proses pemantauan kondisi tanaman secara manual pada lahan yang luas memerlukan waktu dan tenaga yang besar serta berpotensi menghasilkan penga