Electronic Theses and Dissertation

Mutu buah apel yang baik sangat ditentukan oleh jenis tingkat ketuaan dan warna buah, secara tampilan sebenarnya cukup mudah untuk diamati karena tanda-tanda yang ada pada buah segar atau busuk mudah untuk dibedakan. Tapi akan sulit dan menghabiskan banyak usaha jika dilakukan proses penyortiran satu persatu untuk ratusan bahkan jutaan buah. Oleh karena itu, menggunakan teknologi untuk membantu menyelesaikan permasalahan merupakan pilihan yang baik untuk menghemat waktu dan tenaga. Penelitian ini mengusulkan penggunaan Model Yolov5 yang memiliki algoritma CNN dan merupakan jenis dari Deep Learning. Sehingga diharapkan sistem ini dapat meningkatkan proses dalam penyortiran buah apel berdasarkan kategori segar, rusak, dan busuk dengan lebih mudah dan cepat. Berdasarkan hal tersebut kemudian dilakukan penelitian mengenai deteksi tingkat kesegaran apel untuk mengetahui hasil deteksi seperti akurasi yang diperoleh sebesar 96.5%, presisi sebesar 96.6%, dan recall sebesar 96.5%.
Kata Kunci: Deteksi Apel, Yolo, Deep Learning, CNN.

The quality of good apples is very determined by the type of ripeness and color of the fruit, apple appearance is easy to observe because the signs on fresh or rotten fruit are easy to distinguish. But it will be difficult and take a lot of effort if the sorting process is carried out one by one for hundreds or even millions of pieces. Therefore, using technology to help solve problems is a good option to save time and effort. This study proposes to use the Yolov5 Model which has a CNN algorithm and is a type of Deep Learning. Then it is hoped that this system can improve the process of sorting apples based on fresh, damaged, and rotten categories more easily and quickly. Based on this, research was carried out on the detection of apple freshness to determine the detection results obtained were 96.5% accuracy, 96.6% precision, and 96.5% recall. Keywords: Apple Detection, Yolo, Deep Learning, CNN.