Electronic Theses and Dissertation

Manajemen pasca panen alpukat 'Hass' menghadapi tantangan karena proses pematangan yang tidak terduga, yang berujung pada kerugian signifikan. Meskipun studi terbaru telah memanfaatkan deep learning untuk penilaian pematangan, masih ada celah dalam akurasi, efisiensi untuk perangkat terbatas, dan pemanfaatan fitur internal model secara optimal. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi tahap pematangan serta estimasi umur simpan alpukat menggunakan pendekatan YOLOv8 dan hybrid machine learning, mengadaptasinya pada dataset alpukat lokal, dan membangun prototipe aplikasi mobile. Dataset yang digunakan mencakup gambar alpukat dari lima tahap pematangan yaitu unripe, breaking, ripe1, ripe2, dan overripe, termasuk data tambahan dari varietas alpukat lokal Aceh Tengah. Model YOLOv8 dilatih menggunakan dataset Xavier dan kemudian disesuaikan dengan data lokal melalui proses fine-tuning. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan tahap pematangan dengan nilai mAP sebesar 0.93 dan akurasi klasifikasi sebesar 0.88. Pendekatan hybrid dilakukan dengan mengekstraksi fitur dari lapisan optimal YOLOv8, diikuti seleksi fitur menggunakan Random Forest, penyeimbangan kelas dengan SMOTE, serta klasifikasi menggunakan algoritma Logistic Regression, SVM, dan XGBoost. Di antara ketiganya, Logistic Regression menghasilkan akurasi tertinggi sebesar 0,99. Estimasi umur simpan menunjukkan MAE keseluruhan 0.43 hari untuk pendekatan hibrida dan 0.44 hari untuk YOLOv8, jauh lebih akurat dibandingkan penelitian sebelumnya (0.96 hari). Dengan demikian, penelitian ini berhasil mengembangkan sistem deteksi dan estimasi umur simpan alpukat yang efektif dan lebih akurat. Implementasi model dalam aplikasi mobile menawarkan solusi praktis yang berkontribusi pada efisiensi pasca panen, membantu mengurangi kerugian dan meningkatkan pengelolaan alpukat.

Kata Kunci: YOLOv8, hybrid model, pematangan alpukat, estimasi umur simpan

Post-harvest management of 'Hass' avocados faces significant challenges due to unpredictable ripening, leading to substantial losses. While recent studies have utilized deep learning for ripening assessment, gaps persist in accuracy, efficiency for resource-constrained devices, and optimal exploitation of internal model features. This research aims to develop and evaluate a system for detecting avocado ripening stages and estimating shelf life using YOLOv8 and hybrid machine learning approaches. The system was adapted to a local avocado dataset, and a mobile application prototype was developed. The dataset comprises avocado images across five ripening stages (unripe, breaking, ripe1, ripe2, and overripe), including additional data from local Central Aceh avocado varieties. The YOLOv8 model was initially trained using the dataset by Xavier and subsequently fine-tuned with local data. Evaluation results indicate that the standalone model accurately classifies ripening stages with a mean Average Precision (mAP) of 0.93 and a classification accuracy of 0.88. The hybrid approach involved extracting features from optimal YOLOv8 layers, followed by Random Forest feature selection, class balancing with SMOTE, and classification using Logistic Regression, SVM, and XGBoost algorithms. Among these, Logistic Regression achieved the highest accuracy at 0.99. Shelf life estimation demonstrated an overall Mean Absolute Error (MAE) of 0.43 days for the hybrid approach and 0.44 days for YOLOv8, significantly outperforming previous research (0.96 days). Thus, this study successfully developed an effective and more accurate system for avocado detection and estimation of shelf life. Implementing the model within a mobile application offers a practical solution that contributes to post-harvest efficiency by helping to reduce losses and improve avocado management. Keywords: YOLOv8, hybrid model, avocado ripening, shelf life estimation