DETEKSI KEMATANGAN BUAH PISANG MENGGUNAKAN YOLOV10 BERBASIS CITRA DIGITAL

Pisang rentan mengalami penurunan kualitas pasca-panen akibat kesalahan identifikasi kematangan secara manual. Sebagai solusi, penelitian ini mengusulkan sistem deteksi otomatis tingkat kematangan pisang berbasis citra digital menggunakan algoritma YOLOv10n. Algoritma ini dipilih karena mengadopsi NMS-free training yang mampu menghasilkan deteksi secara cepat dan efisien tanpa mengorbankan akurasi. Pelatihan model dilakukan selama 20 epoch menggunakan 2.834 citra (rasio latih dan validasi 80:20) yang dikategorikan ke dalam empat kelas: Mentah, Setengah Matang, Matang, dan Terlalu Matang. Hasil pengujian menunjukkan model memiliki kinerja yang sangat baik dengan perolehan nilai mAP50 sebesar 97,34%. Tingkat akurasi klasifikasi tertinggi dicapai pada kelas Overripe atau terlalu matang (mAP50 98,5%), sedangkan yang terendah pada kelas Half Ripe atau setengah matang (mAP50 94,8%). Selain akurat, model ini terbukti sangat ringan dengan 2,27 juta parameter dan kecepatan inferensi mencapai 4,6 ms per citra (217 FPS). Secara keseluruhan, YOLOv10n terbukti sangat efektif untuk dijadikan solusi klasifikasi kematangan pisang yang presisi, cepat, dan hemat komputasi