Artikel Alpukat Teuku Vaickal: Klasifikasi Tingkat Kematangan Buah Alpukat Hass Menggunakan YOLOv8 Berbasis 5 Tahap Kematangan

Saya bersyukur dapat membagikan salah satu pencapaian akademik saya melalui publikasi artikel ilmiah berjudul “Klasifikasi Kematangan Alpukat Hass Menggunakan YOLO V8 Berdasarkan 5 Tahap Kematangan”.

Artikel ini diterbitkan pada JATI (Jurnal Mahasiswa Teknik Informatika), Volume 10 Nomor 4, Agustus 2026, bersama dua dosen Universitas Bina Sarana Informatika, yaitu Nila Hardi dan Minda Septiani.

Publikasi ini menjadi bagian penting dari perjalanan saya sebagai mahasiswa Informatika dalam mempelajari penerapan Artificial Intelligence, Deep Learning, dan Computer Vision untuk menyelesaikan permasalahan nyata di sektor pertanian.

Latar Belakang Penelitian

Alpukat Hass merupakan salah satu komoditas pertanian dengan nilai ekonomi dan permintaan pasar yang tinggi. Namun, proses penilaian tingkat kematangan buah masih banyak dilakukan secara manual dengan mengamati warna kulit dan tingkat kekerasannya.

Pendekatan manual tersebut memiliki beberapa keterbatasan, antara lain:

Bersifat subjektif karena bergantung pada penilaian manusia.
Membutuhkan waktu dan tenaga dalam proses penyortiran.
Rentan menghasilkan klasifikasi yang tidak konsisten.
Sulit membedakan tahap kematangan yang memiliki karakteristik visual hampir serupa.

Permasalahan tersebut menjadi dasar pengembangan penelitian Klasifikasi Tingkat Kematangan Buah Alpukat Hass menggunakan Yolov8 berbasis 5 tahap kematangan.

Melalui penelitian ini, saya dan tim mengembangkan sistem klasifikasi otomatis yang dapat mengenali tingkat kematangan alpukat Hass hanya dengan memanfaatkan citra digital RGB.

Lima Tahap Kematangan Alpukat Hass

Berbeda dengan sejumlah penelitian yang hanya menggunakan dua atau tiga kategori, penelitian ini mengklasifikasikan alpukat Hass ke dalam lima tahap kematangan yang lebih terperinci:

Unripe, yaitu buah yang masih mentah.
Breaking, yaitu tahap awal terjadinya perubahan warna dan kematangan.
Ripe – First Phase, yaitu tahap awal buah matang.
Ripe – Second Phase, yaitu tahap lanjutan buah matang.
Over-ripe, yaitu buah yang telah melewati tingkat kematangan optimal.

Pembagian menjadi lima kelas memberikan tantangan tersendiri karena beberapa tahap memiliki pola warna dan tekstur yang saling berdekatan.

Dataset dan Proses Pelatihan Model

Penelitian ini menggunakan dataset sebanyak 14.710 citra digital alpukat Hass. Seluruh gambar terlebih dahulu diproses menjadi resolusi seragam 224 × 224 piksel dan dinormalisasi agar sesuai dengan kebutuhan masukan model YOLOv8-cls.

Dataset kemudian dibagi menggunakan pendekatan stratified sampling menjadi:

70% data pelatihan, sebanyak 10.297 citra.
20% data validasi, sebanyak 2.942 citra.
10% data pengujian, sebanyak 1.471 citra.

Model dilatih selama 50 epoch dengan batch size 32 menggunakan lingkungan Kaggle Notebooks dan dukungan dual GPU NVIDIA T4.

Arsitektur yang digunakan adalah YOLOv8-cls, yaitu varian YOLOv8 yang secara khusus dirancang untuk menyelesaikan tugas klasifikasi gambar.

Hasil Evaluasi YOLOv8-cls

Berdasarkan pengujian terhadap 1.471 citra yang belum pernah digunakan selama proses pelatihan, model memperoleh hasil sebagai berikut:

Metrik	Hasil
Overall Accuracy	84,97%
Macro Precision	84,39%
Macro Recall	84,27%
Macro F1-Score	84%

Model menunjukkan performa paling kuat pada dua tingkat kematangan ekstrem:

Kelas Unripe memperoleh precision dan recall sebesar 94%.
Kelas Over-ripe memperoleh precision sebesar 94% dan recall sebesar 92%.

Pada pengujian langsung, salah satu sampel buah mentah berhasil diklasifikasikan sebagai Unripe dengan confidence score sebesar 97,44%. Sampel lain berhasil diprediksi sebagai Ripe First Phase dengan confidence score sebesar 81,53%.

Hasil tersebut menunjukkan bahwa YOLOv8-cls memiliki kemampuan yang cukup kuat untuk mengenali perubahan warna dan karakteristik morfologi luar kulit alpukat Hass.

Kontribusi dan Kebaruan Penelitian

Kontribusi utama penelitian ini adalah penerapan YOLOv8-cls untuk mengklasifikasikan indeks kematangan alpukat Hass ke dalam lima tahap menggunakan citra RGB.

Pendekatan ini berbeda dengan metode berbasis hyperspectral imaging yang memerlukan perangkat khusus. Dengan hanya memanfaatkan gambar digital biasa, sistem berpotensi lebih mudah diterapkan pada aplikasi berbasis web, perangkat mobile, maupun perangkat edge untuk mendukung proses penyortiran buah.

Penelitian ini juga berupaya menangani ambiguitas visual pada tahap kematangan yang berdekatan, khususnya antara kelas Breaking, Ripe First Phase, dan Ripe Second Phase.

Potensi Implementasi

Model klasifikasi ini berpotensi dikembangkan lebih lanjut menjadi beberapa solusi praktis, seperti:

Sistem penyortiran alpukat otomatis.
Aplikasi mobile untuk memeriksa kematangan buah.
Sistem quality control bagi distributor dan pelaku agribisnis.
Perangkat edge berbasis kamera untuk proses grading di lokasi pertanian.
Sistem pendukung keputusan untuk mengurangi food loss pada rantai pasok pascapanen.

Implementasi teknologi computer vision diharapkan dapat membantu petani, distributor, pelaku usaha, dan konsumen menilai kualitas buah secara lebih objektif, cepat, dan konsisten.

Keterbatasan dan Pengembangan Selanjutnya

Penelitian ini masih memiliki sejumlah keterbatasan. Proses pelatihan dibatasi hingga 50 epoch, sedangkan citra pada dataset mayoritas diambil dalam kondisi pencahayaan yang terkontrol.

Oleh karena itu, penelitian berikutnya dapat diarahkan pada:

Penambahan jumlah epoch pelatihan.
Pengujian menggunakan gambar dari kondisi lingkungan nyata.
Penambahan variasi pencahayaan dan latar belakang.
Implementasi data augmentation yang lebih luas.
Integrasi attention mechanism seperti SE atau CBAM.
Deployment model pada aplikasi web, mobile, atau edge device.
Pengujian real-time pada proses penyortiran buah.

Penutup

Publikasi Artikel Alpukat Teuku Vaickal ini menjadi pengalaman yang sangat berharga bagi saya dalam mengembangkan penelitian berbasis Artificial Intelligence.

Melalui penelitian Klasifikasi Tingkat Kematangan Buah Alpukat Hass menggunakan Yolov8 berbasis 5 tahap kematangan, saya mempelajari bahwa pengembangan model machine learning tidak hanya berorientasi pada pencapaian nilai akurasi, tetapi juga pada bagaimana teknologi tersebut dapat dikembangkan menjadi solusi yang relevan bagi masyarakat dan industri.

Saya mengucapkan terima kasih kepada Nila Hardi dan Minda Septiani atas bimbingan, arahan, serta kontribusi yang diberikan selama proses penelitian dan penyusunan artikel.

Artikel ilmiah selengkapnya dapat dibaca melalui tautan berikut:

Baca artikel di JATI – Jurnal Mahasiswa Teknik Informatika

Semoga penelitian ini dapat menjadi landasan bagi pengembangan sistem pertanian presisi dan klasifikasi kualitas buah berbasis computer vision pada masa mendatang.

Penulis: Teuku Vaickal Rizki Irdian
Program Studi: Informatika
Institusi: Universitas Bina Sarana Informatika
Bidang: Artificial Intelligence, Computer Vision, Deep Learning, dan YOLOv8