Pendekatan Deep Learning Menggunakan YoloV8 untuk Identifikasi Jenis Buah Apel pada Citra Digital
DOI:
https://doi.org/10.62712/juktisi.v5i2.1571Keywords:
YOLOv8, deep learning, object detection, image classification, apple varietiesAbstract
Proses identifikasi jenis buah apel yang dilakukan secara manual memiliki sejumlah keterbatasan, seperti adanya subjektivitas dalam penilaian, waktu pemrosesan yang relatif lama, serta kemungkinan terjadinya ketidakkonsistenan hasil, khususnya ketika jumlah citra yang dianalisis cukup banyak. Kondisi tersebut mendorong perlunya pengembangan sistem otomatis yang dapat melakukan proses identifikasi secara cepat, akurat, dan konsisten. Penelitian ini bertujuan untuk mengembangkan sistem identifikasi jenis buah apel dengan menerapkan pendekatan deep learning menggunakan algoritma YOLOv8 serta mengukur akurasi dan kinerja model dalam mengatasi keterbatasan proses identifikasi secara manual. Penelitian menggunakan pendekatan kuantitatif dengan metode eksperimen. Dataset yang digunakan terdiri atas 300 citra digital buah apel yang terbagi ke dalam enam kelas, yaitu Apel Braeburn, Royal Gala, Washington, Golden Apple, Granny Smith, dan Pink Lady. Setiap kelas terdiri dari 50 citra. Dataset selanjutnya dibagi menjadi 70% data training, 20% data validation, dan 10% data testing. Tahapan penelitian meliputi pengumpulan dataset, proses anotasi citra, pembagian dataset, pelatihan model, dan pengujian menggunakan YOLOv8. Model dilatih untuk melakukan deteksi sekaligus klasifikasi jenis objek apel pada citra dalam satu proses. Kinerja model dievaluasi berdasarkan nilai precision, recall, dan mean Average Precision (mAP). Hasil pengujian menunjukkan bahwa model YOLOv8 yang dikembangkan mampu menghasilkan performa yang baik dengan nilai precision sebesar 0,91, recall sebesar 0,88, dan mAP@0.5 sebesar 0,90. Nilai tersebut menunjukkan kemampuan model dalam menghasilkan deteksi yang tepat sekaligus mengenali sebagian besar objek apel yang terdapat pada citra. Penerapan YOLOv8 juga memberikan efisiensi dalam proses identifikasi karena tahapan deteksi dan klasifikasi dapat dilakukan secara bersamaan. Meskipun demikian, beberapa kesalahan klasifikasi masih ditemukan, terutama pada objek dengan karakteristik visual yang serupa dan citra dengan kondisi pencahayaan yang kurang optimal. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan deep learning menggunakan YOLOv8 memiliki kinerja yang baik dan berpotensi digunakan sebagai solusi otomatis untuk identifikasi jenis buah apel berbasis citra digital. Hasil penelitian ini dapat menjadi landasan bagi pengembangan sistem identifikasi yang lebih akurat dan optimal pada penelitian selanjutnya.
Downloads
References
[1] E. I. S. Robi Ardiansyah, “Implementasi Convolutional Neural Network Untuk Klasifikasi Jenis Beras Berdasarkan Citra Digital,” Indones. J. Comput. Sci., vol. 12, no. 1, pp. 4172–4182, 2023, doi: https://doi.org/10.33022/ijcs.v12i6.3520.
[2] D. Rofianto, K. Amaliah, T. K. Khoerunissa, and M. Fitri, “Metode Ekstraksi Fitur dan Klasifikasi Visual Untuk Identifikasi Kualitas Pangan Lokal Berbasis Citra Digital Feature Extraction and Visual Classification Methods for Identifying the Quality of Local Food Based on Digital Images,” J. Imlu Komput. Agri Inform., vol. 12, no. 2, pp. 178–188, 2025, doi: https://doi.org/10.29244/jika.12.2.178-188.
[3] E. N. Sri Andayani, “Model Identifikasi Singkong Berdasarkan Warna untuk Tepung Mocaf Berbasis Citra Digital,” PYTHAGORAS J. Mat. dan Pendidik. Mat., vol. 17, no. 1, pp. 281–292, 2022, doi: https://doi.org/10.21831/pythagoras.v17i1.34994.
[4] A. R. Juwita, C. E. Sukmawati, A. R. Pratama, R. S. Bijokangko, and A. Susilo, “BULLETIN OF COMPUTER SCIENCE RESEARCH Identifikasi Jenis Buah Apel berdasarkan Ektraksi Ciri Warna Fitur HSV dengan Model Jaringan Syaraf Tiruan Backpropagation,” Bull. Comput. Sci. Res., vol. 6, no. 2, pp. 784–792, 2026, doi: https://doi.org/10.47065/bulletincsr.v6i2.1010.
[5] R. W. Abdullah and R. Kusumastuti, “ANALISIS PENGOLAHAN EKSTRAKSI FITUR CITRA UNTUK KLASIFIKASI JENIS APEL MENGGUNAKAN SCIKIT-LEARN DENGAN ALGORITMA K- IMAGE FEATURE EXTRACTION PROCESSING ANALYSIS FOR APPLE TYPE CLASSIFICATION USING SCIKIT-LEARN WITH THE K-NEAREST NEIGHBOR,” J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 1, pp. 165–174, 2025, doi: https://doi.org/10.25126/jtiik.2025129149.
[6] R. Y. A. Ramadhanu, “OPTIMASI HYBRID INTELLIGENT SYSTEM UNTUK IDENTIFIKASI BUAH: STUDI KASUS PISANG DAN APEL,” Inti Nusa Mandiri, vol. 19, no. 2, pp. 211–220, 2025, doi: https://doi.org/10.33480/inti.v19i2.6382.
[7] G. Wang, Y. Chen, P. An, H. Hong, J. Hu, and T. Huang, “UAV-YOLOv8 : A Small-Object-Detection Model Based on Improved YOLOv8 for UAV Aerial Photography Scenarios,” MDPI journals, vol. 23, no. 16, 2023, doi: https://doi.org/10.3390/s23167190.
[8] Z. U. J. U. N. Khow et al., “Improved YOLOv8 Model for a Comprehensive Approach to Object Detection and Distance Estimation,” IEEE Access, vol. 12, no. May, pp. 63754–63767, 2024, doi: https://doi.org/10.1109/ACCESS.2024.3396224.
[9] J. S. Moahaimen Talib, Ahmed H. Y. Al-Noori, “YOLOv8-CAB : Improved YOLOv8 for Real-time object detection YOLOv8-CAB : Improved YOLOv8 for Real-time object detection,” Karbala Int. J. Mod. Sci., vol. 10, no. 1, 2024, doi: https://doi.org/10.33640/2405-609X.3339.
[10] V. Afifah, “YOLOv8 for Object Detection : A Comprehensive Review of Advances , Techniques , and Applications,” Int. J. Adv. Comput. INFORMATICS, vol. 2, no. 1, pp. 53–61, 2026, doi: https://doi.org/10.71129/ijaci.v2i1.pp53-61.
[11] H. L. Xianxu Zhai, Zhihua Huang, Tao Li and and S. Wang, “YOLO-Drone : An Optimized YOLOv8 Network for Tiny UAV Object Detection,” MDPI journals, vol. 12, no. 17, 2023, doi: https://doi.org/10.3390/electronics12173664.
[12] L. Shen, B. Lang, and Z. Song, “DS-YOLOv8-Based Object Detection Method for Remote Sensing Images,” IEEE Access, vol. 11, no. October, pp. 125122–125137, 2023, doi: https://doi.org/10.1109/ACCESS.2023.3330844.
[13] M. Mejdoub, “An Improved YOLOv8 to Detect Moving Objects,” IEEE Access, vol. 12, no. May, pp. 59782–59806, 2024, doi: https://doi.org/10.1109/ACCESS.2024.3393835.
[14] I. Wirabowo, I. Susilawati, T. Informasi, U. Mercu, and B. Yogyakarta, “Implementasi Convolution Neural Network ( CNN ) untuk Deteksi Penyakit pada Daun Jagung Berbasis Citra Digital,” J. Pustaka Data, vol. 5, no. 1, pp. 233–241, 2025, doi: https://doi.org/10.55382/jurnalpustakadata.v5i1.1046.
[15] A. Shihab, A. Ghofur, and A. Hamdani, “Klasifikasi Kualitas Daging Ayam Menggunakan Citra Digital Dengan Ekstraksi Fitur GLCM Dan Metode CNN,” J. TEKNO KOMPAK, vol. 19, no. 2, pp. 291–303, 2025, doi: https://doi.org/10.33365/jtk.v19i2.355.
[16] A. H. Nasrullah and H. Annur, “Implementasi Metode Convolutional Neural Network Untuk Identifikasi Citra Digital Daun,” J. MEDIA Inform. BUDIDARMA, vol. 7, no. April, pp. 726–736, 2023, doi: https://doi.org/10.30865/mib.v7i2.5962.
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Devi Yunita, Maulana Fansyuri, Resti Amalia, Bayu Dwi Putra
This work is licensed under a Creative Commons Attribution 4.0 International License.
