1

Vol. 11 No. 1, Bulan Maret Tahun 2023

Implementasi Algoritma Deep Learning You Only Look Once (YOLOv5)

Untuk Deteksi Buah Segar Dan Busuk
Lusiana Lusiana, Ari Wibowo, dan Tita Kartika Dewi
Universitas Subang
[email protected]

(Received: 12-23-2022; Accepted: 02-03-2023; Published: 03-30-2023)

ABSTRACT
Fruit is one of the nutritional needs for the body that must be met. But with a note, these nutrients will be
obtained from fruit that is still fresh. The definition of fresh fruit itself is fruit that can be consumed directly
and does not require any further processing. There are many ways to select and differentiate between fresh
fruit and bad fruit and in general direct observations can be made. But over time, there are several other ways
to observe fruit freshness using existing technology. Where one of them is by optimizing deep learning and
machine learning. This detection and classification system was created using a deep learning method using
the YOLOv5 algorithm which can detect in real-time the types of apples, bananas and oranges. We use image
datasets for each of these fruits for fresh fruit and rotten fruit, a total of 1200 images for train data and 330
images for validation data and 6 images for test data. Based on the tests that have been carried out with
training data, along with validation data, and test data using the YOLOv5 algorithm, it can be concluded that
this detection method can recognize objects consistently with a high degree of accuracy. This can be proven at
the level of accuracy which reaches an accuracy rate of 90%.
Keywords: Classification of Fresh and Rotten Fruits; YOLOv5; Fresh and Rotten Fruit Detection

ABSTRAK
Buah merupakan salah satu kebutuhan nutrisi bagi tubuh yang harus dipenuhi. Namun dengan catatan, nutrisi
tersebut akan diperoleh dari buah yang masih segar. Definisi dari buah segar sendiri adalah buah-buahan yang
bisa langsung dikosumsi secara langsung dan tidak memerlukan lagi pengolahan sebelumnya. Terdapat
banyak cara dalam memilih dan membedakan antara buah segar maupun buah yang buruk dan secara umum
dapat dilakukan pengamatan secara langsung. Namun seiring perkembangan jaman, terdapat beberapa cara
lain dalam mengamati kesegaran buah menggunakan teknologi yang ada. Dimana salah satunya adalah dengan
mengoptimalkan deep learning dan machine learning. Sistem deteksi dan klasifikasi ini dibuat dengan metode
deep learning menggunakan algoritma YOLOv5 yang dapat mendeteksi secara real-time pada jenis buah apel,
pisang dan jeruk. Kami menggunakan datasets citra untuk masing-masing buah tersebut untuk buah segar
maupun buah busuk, sebanyak 1200 citra untuk data train dan 330 citra untuk data validasi dan 6 citra untuk
data test. Berdasarkan pengujian yang telah dilakukan dengan data training, beserta data validasi, serta data
test menggunakan algoritma YOLOv5 dapat disimpulkan bahwa metode pendektesian ini dapat mengenali
objek secara konsisten dengan tingkat akurasi yang tinggi. Hal ini dapat dibuktikan pada tingkat akurasi yang
mencapai tingkat akurasi hingga mancapai 90%.
Keywords: Klasifikasi Buah Segar dan Busuk; YOLOv5; Deteksi Buah Segar dan Busuk.

PENDAHULUAN melindungi tubuh dari virus penyakit.

Kandungan serat dan air juga membantu dalam
Buah segar memiliki definisi dan ciri memperbaiki sistem metabolisme. Alasan
tersendiri. Karena itulah, perlu cara yang tepat inilah yang membuat semua harus teliti dan
dalam membedakan buah segar dengan yang lebih jeli saat memilih dan mengkonsumsi
tidak, supaya buah yang dipilih tidak buah-buahan.
kehilangan nutrisi dan vitamin yang terdapat Terdapat cara penggolongan atau teknik
pada dalam buah. Nutrisi yang terkandung klasifikasi dari buah segar dan tidak
dalam dapat berupa antioksidan yang mampu berdasarkan beberapa factor. Diantara factor

Lusiana, Lusiana. et. al. 2023. Implementasi Algoritma Deep Learning You Only Look Once (YOLOv5) Untuk Deteksi Buah Segar Dan Busuk.
Paspalum : Jurnal Ilmiah Pertanian, 11(1):123-.130
doi : http://dx.doi.org/10.35138/paspalum.v11i1.489
 124

yang ada salah satunya adalah tampilan dari terbukti lebih cepat dan akurat untuk
buahnya itu sendiri seperti tampilan warna mendeteksi objek pada gambar atau citra
kulit, kebersihan kulit, dan bentuk maupun sehingga paling sesuai jika diterapkan untuk
ukuran. real-time pendeteksian objek pada video
Saat ini klasifikasi atau pemilihan buah (Redmon, J., et al, 2018)
segar dan tidak pada umumnya masih
menggunakan metode manual, yaitu penilaian METODE
subyektif dari petani. Kelemahan dari metode
ini, adalah menghasilkan produk yang Peneliti menggunakan Google Colab dan
beragam karena keterbatasan visual manusia, menerapkan metode YOLOv5. YOLO
terdapat factor kelelahan yang tentu merupakan jaringan untuk mendeteksi objek
mempengaruhi dari penilaian terhadap buah sedangkan YOLOv5 adalah metode yang
yang akan diklasifikasi, perbedaan persepsi merupakan pengembangan dari metode YOLO
tentang mutu buah, juga tidak obyektifnya sebelumnya (Tan et al. 2021). Tugas
penilaian petani, karena lebih mengutamakan pendeteksian objuek untuk menentukan tempat
tingkat penjualan buah yang tentu tidaklah pada sebuah gambar atau citra pada objek
obyektif, hanya memikirkan nutrisi dari buah yang hadir dan mengklasifikasikan jenis
segar hanya mementingkan pemasaran saja. objeknya. Sehingga dapat disimpulkan
Berdasarkan latar belakang di atas, maka terdapat sebuah gambar atau citra menjadi
peneliti tertarik untuk mengangkat topik deep inputan, kemudian dibuat vector kotak
learning untuk pendektesian objek, dimana pembatas dan prediksi klas untuk setiap
teknologi ini dapat membantu dalam outputannya (Shrivastava, Sohandani, and
mengenali objek pada sebuah gambar. Khatwani, 2021).
Pendeteksian objek sendiri merupakan salah Aplikasi deteksi objek pada kasus
satu bidang pada computer vision. Sedangkan pendeteksian buah melalui identifikasi buah
computer vision merupakan ilmu yang segar dan busuk dilakukan dengan
mempelajari tentang seperti apa computer pengumpulan data, pembagian data, pra-
dapat menganalisis dan melihat pada objek pemrosesan data, pelatihan model dengan
didalam gambar (Al Asyhar, H., H.,A., et al., YOLOv5.
2020). Pendektesian objek (object detection) Dalam penelitian ini, kami menggunakan
bermanfaat untuk mengenali dan mendeteksi dataset yang diambil dari katalog kaggle.
objek pada sebuah gambar berdasarkan warna, Dimana data tersebut terdapat beberapa objek
bentuk, dan dari dataset yang dikumpulkan buah yang setiap objek buah telah tersedia
(Tan, Shilei, G. Lu, Z. Jiang, and L. Huang, dataset berupa buah segar dan busuk. Dataset
2021). Terdapat beberapa macam untuk dari masing-masing buah segar maupun buah
membuat aplikasi pendeteksian objek, salah busuk secara keseluruhan sebanyak 1530
satunya adalah dengan menggunakan metode dengan 1200 sebagai dataset train dan 330
Convolutional Neural Network (CNN) dan sebagai dataset validasi. Selengkapnya dapat
metode You Only look once (YOLO) (You et dilihat pada tabel 1.
al., 2019). Sistem pendeteksi metode YOLO

Tabel 1. Klas Dataset

Nomor Jenis Buah Keterangan Train Val Definisi klas
1 Segar 200 42 gambar berupa buah apel segar
Apel
Busuk 200 58 gambar berupa buah apel busuk
2 Segar 200 48 gambar berupa buah pisang segar
Pisang
Busuk 200 62 gambar berupa buah pisang busuk
3 Segar 200 60 gambar berupa buah jeruk segar
Jeruk
Busuk 200 60 gambar berupa buah jeruk busuk
 125

Pengumpulan dataset merupakan

serangkaian proses pengumpulan citra berupa Start
gambar yang didapatkan dari katalog kaggle.
Setelah proses pengumpulan data dilakukan,
langkah berikutnya adalah proses pelabelan Masukkan
pada setiap gambar pada dataset yang diberi dataset
label agar dapat memuat nama gambar.
Sedangkan untuk proses pelabelan dilakukan
Proses testing
dengan cara membuat nama kelas dan
bounding box pada setiap objek gambar.
Kemudian untuk meningkatkan akurasi pada
proses training dengan metode YOLOv5 kami Evaluasi
melakukan perubahan ukuran gambar setiap akurasi
objek yang telah dilabeli.
Setelah dilakukan pelabelan pada tiap Proses
objek, maka objek dan label dibagi ke dalam pendeteksian
masing-masing folder untuk data train maupun dan
data validasi. Setelah itu, dilakukan pengenalan
jenis buah
konfigurasi data. Secara umum deteksi objek
pada kasus pendeteksian buah melalui
identifikasi buah segar dan busuk berbasis Hasil deteksi
metode YOLOv5 ditunjukkan pada blok
diagram gambar 1 untuk pre-processing data
dan gambar 2 untuk training process dan End
testing process.

Gambar 2. training process dan testing

process
Pengumpulan
dataset
Masukan dataset merupakan tahap untuk
memasukkan kumpulan citra jenis buah segar
maupun buah busuk yang diupload pada
Proses google colab. Tahap ini adalah tahap yang
Pelabelan penting dikarenakan dataset harus benar-benar
sedetail mungkin agar pendeteksian objek
dapat stabil dan menghasilkan tingkat akurasi
yang tinggi. Dataset yang digunakan adalah
Dataset siap dataset jenis buah berupa apel, pisang dan
ditraining jeruk dan sudah diberi label pada setiap
gambarnya.

Gambar 1. pre-processing data

 126

Setelah dataset yang dibuat untuk 1) Accuracy/akurasi Merupakan rasio yang

training terpenuhi, langkah berikutnya adalah diprediksi benar berbanding keseluruhan
mentraining data menggunakan sistem google hasil yang diprediksi oleh sistem.
colab. Training data dilakukan menggunakan 2) True Positive (TP) Merupakan suatu
besaran yang mewakili jenis buah baik
google Colab karena google colab
buah segar maupun buah busuk yang
memberikan GPU 12 GB dengan bantuan terdeteksi dan diprediksi benar.
nvidia sehingga dapat membuat tahap training 3) True Negative (TN) Adalah besaran yang
datanya dapat dilakukan dengan cepat. menyatakan bahwa objek memang bukan
Setelah proses data training selesai, termasuk ke dalam klasifikasi dari kelas
langkah berikutnya yaitu mendeteksi objek buah yang ditentukan, dan memang
dari banyaknya jarak dan sudut yang sebenarnya buah tersebut tidak masuk ke
dalam kelas dari buah yang ditentukan.
ditentukan. Setelah objek benar maka tahap
4) False Positive (FP) Mewakili kasus dari
selanjutnya melihat dan mencocokkan buah yang diprediksi positif masuk ke
hasilnya. Jika objek yang ada sudah terdeteksi dalam kelas tertentu, namun ternyata
sama jenis buah untuk tiap klasifikasi atau bukan termasuk ke dalam kelas dari buah
kelasnya, maka dapat dikatakan proses tersebut.
trainingnya berhasil. 5) False Negative (FN) Kasus dimana objek
Tahap evaluasi akurasi merupakan buah yang diprediksi bukan termasuk ke
dalam jenis kelas yang sudah ditentukan
langkah atau tahapan berikutnya, dimana
(negative), namun kenyataannya buah
tahapan ini dilakukan untuk melihat nilai tersebut termasuk ke dalam jenis tersebut.
akurasi dari hasil proses training pada dataset.
Tahap ini memiliki peranan yang penting HASIL DAN PEMBAHASAN
dalam mendeteksi objek karena agar
pendeteksian objek yang stabil harus memiliki Hasil training pada penelitian
nilai akurasi yang tinggi. Untuk itu nilai pendeteksian jenis buah segar dan busuk
akurasi pada pendeteksian objek perlu mendapatkan nilai yang cukup tinggi, dengan
dievaluasi agar pendeteksian objek lebih stabil nilai precision mendapatkan rata-rata sebesar
nilai akurasinya pada setiap gambar atau video 0,990. Nilai puncak rata-rata recall
(Mulyana, D. I., Rofik, M. A., 2022). mendapatkan nilai 1,00 pada nilai confidence
Hasil deteksi merupakan output dari 0,00. Besar nilai recall rasio prediksi benar
seluruh proses yang telah dilakukan, dimana positif dibandingkan dengan keseluruhan data
hasil yang sudah terdeteksi sebuah objek untuk yang benar positif. Dari nilai recall ini pun
jenis buah segar maupun busuk akan disertai bisa diketahui berapa persen buah yang
nilai akurasi. Tahap ini tidak akan dapat terjadi diprediksi masuk ke tiap kelas dibandingkan
apabila dalam tahap kerangka uji salah satunya keseluruhan jenis buah yang sebenarnya
tidak dijalankan. memang dikategorikan untuk masuk kebuah
Untuk menentukan nilai akurasi dalam yang dimaksud. Semakin besar tingkat recall
penelitian ini, penulis menggunakan
dari suatu nilai hasil dari proses data training
persamaan seperti pada persamaan di bawah
ini: maupun data validitas, maka akan semakin
tinggi keakuratan sistem yang telah dibuat.
Untuk lebih jelasnya dapat dilihat pada gambar
Atau 3 dan gambar 4. Sedangkan jika dilihat
berdasarkan kinierja untuk setiap proses
pelatihan maupun pengujian di tiap epochnya
Dimana: mengalami kemajuan dan perbaikan dimana
hal ini dapat ditunjukkan pada gambar 5.
 127

Gambar 3 Kurva hubungan antara Precision Gambar 4. Kurva hubungan antara Recall
dengan Recall dengan Confidence

Gambar 5. Hasil evaluasi data training untuk data test maupun data validitas

Gambar 6. Kurva nilai F1 Gambar 7. Kurva besar precision terhadap

confidence
 128

Sedangkan nilai dari harmonic mean dari perhitungannya dapat dilihat dari perhitungan
besaran untuk nilai precision dan recall dapat di bawah ini.
dilihat pada kurva nilai F1 gambar 6. Nilai
terbaik F1-score adalah 1.0 dan nilai terburuk
dari sistem yang dibuat adalah 0 (Al-Qudah,
Rabiah, and Ching Y. Suen, 2019). Secara
representasi, jika nilai F1-score memiliki nilai
yang baik dapat mengindikasikan bahwa
metode klasifikasi dan deteksi yang telah
dibangun memiliki nilai precision dan recall
yang baik. Pada gambar 6 dapat disimpulkan
bahwa besar F1 mendapatkan nilai puncak
rata-rata 0.99 terhadap nilai confidence 0.745.
Untuk gambar 7 menjelaskan bahwa besar
precision rata-rata adalah 1.00 terhadap nilai Atau 84%. Sehingga pada penelitian jenis
confidence sebesar 0.998. buah segar dan busuk ini mendapatkan nilai
akurasi yang cukup tinggi yaitu dengan nilai
akurasi sebesar 0,84 atau 84%. Pendeteksian
jenis buah segar dan busuk menggunakan
metode YOLOv5 berjalan dengan lancer dan
nilai akurasinya pun cukup tinggi. Adapaun
hasil pendeteksian jenis buah segar dan busuk
beserta nilai akurasi di tiap jenis buah atau
klasifikasi buah yang berupa image dapat
dilihat pada Gambar 9.

KESIMPULAN

Gambar 8 Matrix confusion Hasil penelitian dapat disimpulkan nilai

akurasi pada saat pengujian mendapatkan nilai
yang cukup baik yaitu sebesar 84% pada
pendeteksian jenis buah segar dan busuk. Nilai
akurasi dipengaruhi pada berbagai macam hal
diantaranya kualitas dataset, pengambilan
gambar diberbagai sudut dan kualitas gambar.
Model dataset dikumpulkan sebanyak
mungkin dan bermacam-macam sudut maka
akan semakin besar juga nilai akurasi yang
dihasilkan. Hitungan area pada gambar juga
mempengaruhi nilai akurasi, dikarenakan saat
objek saling bertumpuk atau terpotong dapat
mempengaruhi besar akurasi yang dihasilkan.

Gambar 9 Pendeteksian jenis buah

SARAN DAN UCAPAN
Sesuai kapasitas kami sebagai peneliti
Untuk menghitung nilai akurasi dari
dalam penelitian pendeteksian buah segar dan
matrix confusion pada gambar 8 dengan
busuk, kami menyadari banyak kekurangan
menggunakan persamaan persamaan 1. Untuk
saat dilakukan penelitian ini, yang mungkin
 129

bisa lebih dikembangkan lagi. Adapun saran Khatwani. 2021. Fresh and Stale Images
yang diberikan untuk penelitian berikutnya of Fruits and Vegetables, kaggle,
dalam rangka mengembangkan penelitian yang https://www.kaggle.com/datasets/raghavr
potdar/fresh-and-stale-images-of-fruits-
sudah kami lakukan diantaranya; dalam hal
and-vegetables. (accessed Sep. 22, 2022)
pembuatan dataset, kami menyarankan untuk
menggunakan data yang lebih banyak dan jika A. Abdullah and P. Pahrianto. 2017. Sistem
memungkinkan dataset yang digunakan adalah Klasifikasi Kematangan Tomat
dataset yang diambil secara mandiri. Penulis Berdasarkan Warna Dan Bentuk
beralasan agar pengembangan penelitian ini Menggunakan Metode Support Vector
tidak hanya berlangsung dalam hal Machine (Svm), JSI J. Sist. Inf., 9 (2),
1313–1322. doi: 10.36706/jsi.v9i2.5007.
kemampuan algoritma pemakaian metode
YOLOv5 saja, akan tetapi dalam hal A. Wibowo. 2022. Pemanfaatan Kamera
pembuatan dataset beserta pengolahan dataset DSLR Canon 1200D untuk Pengamatan
yang baik sampai bisa diolah dan Fotometri Bintang Variabel. Prosiding
menghasilkan angka akurasi yang baik. Saran Seminar Panorama Antariksa, 978, 78-81.
berikutnya adalah dengan menguji dataset
yang ada ini, menggunakan metode lain, lalu D. I. Mulyana, M. A. Rofik. 2022.
Implementasi Deteksi Real Time
membandingkan nilai akurasi dari masing-
Klasifikasi Jenis Kendaraan di Indonesia
masing metode yang digunakan atau yang Menggunakan Metode YOLOV5. Jurnal
sudah dilakukan oleh peneliti-peneliti pendidikan tambusai, 6(3), 13971-13982.
sebelumnya. https://doi.org/10.31004/jptam.v6i3.4825

E. Alpaydin. 2010. Introduction to Machine

REFERENCES Learning Second Edition. In Introduction
to Machine Learning.
https://doi.org/10.1007/978-1-62703-748-
A. Bochkovskiy, C.-Y. Wang, and H.-Y. M.
8_7
Liao. 2020. YOLOv4: Optimal Speed and
Accuracy of Object Detection. [Online].
F. N. Cahya, R. Pebrianto, and T. A. M. 2021.
Available:
Klasifikasi Buah Segar dan Busuk
https://doi.org/10.48550/arXiv.2004.1093
Menggunakan Ekstraksi Fitur Hu-
4
Moment , Haralick dan Histogram, IJCIT
(Indonesian J. Comput. Inf. Technol, 6(1),
A. Haryono, S. Bismantoko, G. M. Putra and
57–62, 2021, doi:
T. Widodo. 2019. Accuracy in Object
10.31294/ijcit.v6i1.10052.
Detection based on Image Processing at
the Implementation of Motorbike Parking
https://www.kaggle.com/datasets/raghavrpotda
on The Street, 2019 2nd International
r/fresh-and-stale-images-of-fruits-and-
Conference on Applied Engineering
vegetables (accessed Oct. 12, 2022).
(ICAE), 1-5. doi:
10.1109/ICAE47758.2019.9221817.
Hammam, H., Asyhar, A., Wibowo, S. A., &
Budiman, G. 2020. Implementasi Dan
Al-Qudah, Rabiah, and Ching Y. Suen, 2019.
Analisis Performansi Metode You Only
Enhancing Yolo Deep Networks for the
Look Once ( Yolo ) Sebagai Sensor
Detection of License Plates in Complex
Pornografi Pada Video Implementation
Scenes. Proceeding of the second
and Performance Analysis of You Only
international conference on data science,
Look Once ( Yolo ) Method As Porn
E-learning and information systems, 21,
Censorship in Video. 7(2), 3631–3638.
1-6.
https://doi.org/10.1145/3368691.3368712
J. Redmon and A. Farhadi. 2018. YOLOv3:
An Incremental Improvement. arXive-
A. Shrivastava, R. Sohandani, and N.
prints arXiv:1804.02767.
 130

Lin, Hanhe, Jeremiah D. Deng, Deike Albers, Tan, Shilei, Gonglin Lu, Ziqiang Jiang, and Li
and Felix Wilhelm Siebert. 2020. Helmet Huang. 2021. Improved YOLOv5 Model
Use Detection of Tracked Motorcycles and Application in Safety Helmet
Using CNN-Based Multi-Task Learning. Detection. ISR 2021 - 2021 IEEE
IEEE Access, 8(3): 162073–84. International Conference on Intelligence
and Safety for Robotics: 330–33.
M. Ichwan, I. A. Dewi, and Z. M. S, 2019.
Klasifikasi Support Vector Machine You, Lei et al. 2019. Small Traffic Sign
(SVM) Untuk Menentukan Detection and Recognition in High-
TingkatKemanisan Mangga Berdasarkan Resolution Images. Lecture Notes in
Fitur Warna, MIND J., 3(2), 16–23. Computer Science (including subseries
doi: 10.26760/mindjournal.v3i2.16-23. Lecture Notes in Artificial Intelligence
and Lecture Notes in Bioinformatics)
N. Wijaya and A. Ridwan. 2019. Klasifikasi 11518 LNCS: 37– 53.
Jenis Buah Apel Dengan, Sisfokom, 8(1),
74–78, Y. Yohannes, M. R. Pribadi, and L. Chandra.
2020. Klasifikasi Jenis Buah dan Sayuran
S. R. Hidiya and M. E. Lasulika, 2019. Fitur Menggunakan SVM Dengan Fitur
Ekstraksi LBP Untuk Mengidentifikasi Saliency-HOG dan Color Moments,
Kematangan Tomat Sayur Menggunakan Elkha, 12(2), 125. doi:
Metode K-Nearest Neighbor, J. Nas. 10.26418/elkha.v12i2.42160
cosPhi, 3(1), 2597–9329.