Muhammad Habil Aswad Primary Author mixed material bibliography Banda Aceh Fakultas MIPA (S1) 2026

Skripsi

Buah-buahan tropis merupakan komoditas hortikultura utama di Indonesia yang memerlukan penanganan panen dan pascapanen secara tepat untuk menjaga kualitas, kematangan, dan kesegarannya. Proses pengendalian mutu buah umumnya dilakukan secara manual karena keterbatasan sumber daya komputasi, sehingga rentan terhadap kesalahan terutama pada kondisi lapangan yang beragam. Penelitian ini dilakukan untuk mengembangkan model Multi-Task Learning (MTL) berbasis pendekatan hybrid YOLOv12 dan Convolutional Neural Network (CNN) untuk mendeteksi serta mengklasifikasikan jenis buah, tingkat kematangan, dan tingkat kesegaran secara terpadu. Penelitian dilakukan terhadap sepuluh jenis buah lokal Indonesia dengan produksi tertinggi tahun 2024, yaitu pisang, mangga, salak, nanas, jeruk siam, durian, pepaya, alpukat, rambutan, dan nangka. Model dirancang ringan dengan memanfaatkan teknik dual convolution, dua puluh lapisan backbone, serta tiga output head, menghasilkan total 41.296 parameter dengan ukuran memori 161,31 KB. Hasil uji menunjukkan model YOLO-CNN-MTL mencapai F1-Score sebesar 86,49% untuk klasifikasi jenis buah, 96,11% untuk kesegaran, dan 87,55% untuk kematangan, lebih unggul dibandingkan pendekatan YOLO tunggal. Pendekatan MTL juga menunjukkan kemampuan generalisasi yang lebih baik dan dapat mempercepat proses inferensi hingga 2,35 kali dibandingkan Single-Task Learning. Hasil penelitian membuktikan pendekatan Multi-Task Learning efektif dan efisien untuk mendukung sistem panen dan pascapanen buah berbasis deep learning, khususnya pada lingkungan dengan keterbatasan sumber daya komputasi. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1708587 2026-01-16 12:42:41 2026-01-19 09:45:09 machine generated