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
ariwibowo@unsub.ac.id

(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

yang ada salah satunya adalah tampilan dari
buahnya itu sendiri seperti tampilan warna
kulit, kebersihan kulit, dan bentuk maupun
ukuran.
Saat ini klasifikasi atau pemilihan buah
segar dan tidak pada umumnya masih
menggunakan metode manual, yaitu penilaian
subyektif dari petani. Kelemahan dari metode
ini, adalah menghasilkan produk yang
beragam karena keterbatasan visual manusia,
terdapat factor kelelahan yang tentu
mempengaruhi dari penilaian terhadap buah
yang akan diklasifikasi, perbedaan persepsi
tentang mutu buah, juga tidak obyektifnya
penilaian petani, karena lebih mengutamakan
tingkat penjualan buah yang tentu tidaklah
obyektif, hanya memikirkan nutrisi dari buah
segar hanya mementingkan pemasaran saja.
Berdasarkan latar belakang di atas, maka
peneliti tertarik untuk mengangkat topik deep
learning untuk pendektesian objek, dimana
teknologi ini dapat membantu dalam
mengenali objek pada sebuah gambar.
Pendeteksian objek sendiri merupakan salah
satu bidang pada computer vision. Sedangkan
computer vision merupakan ilmu yang
mempelajari tentang seperti apa computer
dapat menganalisis dan melihat pada objek
didalam gambar (Al Asyhar, H., H.,A., et al.,
2020). Pendektesian objek (object detection)
bermanfaat untuk mengenali dan mendeteksi
objek pada sebuah gambar berdasarkan warna,
bentuk, dan dari dataset yang dikumpulkan
(Tan, Shilei, G. Lu, Z. Jiang, and L. Huang,
2021). Terdapat beberapa macam untuk
membuat aplikasi pendeteksian objek, salah
satunya adalah dengan menggunakan metode
Convolutional Neural Network (CNN) dan
metode You Only look once (YOLO) (You et
al., 2019). Sistem pendeteksi metode YOLO
Tabel 1. Klas Dataset
Nomor Jenis Buah Keterangan Train
1 Segar 200
Apel
Busuk 200
2 Segar 200
Pisang
Busuk 200
3 Segar 200
Jeruk
Busuk 200
124
terbukti lebih cepat dan akurat untuk
mendeteksi objek pada gambar atau citra
sehingga paling sesuai jika diterapkan untuk
real-time pendeteksian objek pada video
(Redmon, J., et al, 2018)
METODE
Peneliti menggunakan Google Colab dan
menerapkan metode YOLOv5. YOLO
merupakan jaringan untuk mendeteksi objek
sedangkan YOLOv5 adalah metode yang
merupakan pengembangan dari metode YOLO
sebelumnya (Tan et al. 2021). Tugas
pendeteksian objuek untuk menentukan tempat
pada sebuah gambar atau citra pada objek
yang hadir dan mengklasifikasikan jenis
objeknya. Sehingga dapat disimpulkan
terdapat sebuah gambar atau citra menjadi
inputan, kemudian dibuat vector kotak
pembatas dan prediksi klas untuk setiap
outputannya (Shrivastava, Sohandani, and
Khatwani, 2021).
Aplikasi deteksi objek pada kasus
pendeteksian buah melalui identifikasi buah
segar dan busuk dilakukan dengan
pengumpulan data, pembagian data, pra-
pemrosesan data, pelatihan model dengan
YOLOv5.
Dalam penelitian ini, kami menggunakan
dataset yang diambil dari katalog kaggle.
Dimana data tersebut terdapat beberapa objek
buah yang setiap objek buah telah tersedia
dataset berupa buah segar dan busuk. Dataset
dari masing-masing buah segar maupun buah
busuk secara keseluruhan sebanyak 1530
dengan 1200 sebagai dataset train dan 330
sebagai dataset validasi. Selengkapnya dapat
dilihat pada tabel 1.
Val Definisi klas
42 gambar berupa buah apel segar
58 gambar berupa buah apel busuk
48 gambar berupa buah pisang segar
62 gambar berupa buah pisang busuk
60 gambar berupa buah jeruk segar
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


Setelah dataset yang dibuat untuk
training terpenuhi, langkah berikutnya adalah
mentraining data menggunakan sistem google
colab. Training data dilakukan menggunakan
google Colab karena google colab
memberikan GPU 12 GB dengan bantuan
nvidia sehingga dapat membuat tahap training
datanya dapat dilakukan dengan cepat.
Setelah proses data training selesai,
langkah berikutnya yaitu mendeteksi objek
dari banyaknya jarak dan sudut yang
ditentukan. Setelah objek benar maka tahap
selanjutnya melihat dan mencocokkan
hasilnya. Jika objek yang ada sudah terdeteksi
sama jenis buah untuk tiap klasifikasi atau
kelasnya, maka dapat dikatakan proses
trainingnya berhasil.
Tahap evaluasi akurasi merupakan
langkah atau tahapan berikutnya, dimana
tahapan ini dilakukan untuk melihat nilai
akurasi dari hasil proses training pada dataset.
Tahap ini memiliki peranan yang penting
dalam mendeteksi objek karena agar
pendeteksian objek yang stabil harus memiliki
nilai akurasi yang tinggi. Untuk itu nilai
akurasi pada pendeteksian objek perlu
dievaluasi agar pendeteksian objek lebih stabil
nilai akurasinya pada setiap gambar atau video
(Mulyana, D. I., Rofik, M. A., 2022).
Hasil deteksi merupakan output dari
seluruh proses yang telah dilakukan, dimana
hasil yang sudah terdeteksi sebuah objek untuk
jenis buah segar maupun busuk akan disertai
nilai akurasi. Tahap ini tidak akan dapat terjadi
apabila dalam tahap kerangka uji salah satunya
tidak dijalankan.
Untuk menentukan nilai akurasi dalam
penelitian ini, penulis menggunakan
persamaan seperti pada persamaan di bawah
ini:
Atau
Dimana:
126
1) Accuracy/akurasi Merupakan rasio yang
diprediksi benar berbanding keseluruhan
hasil yang diprediksi oleh sistem.
2) True Positive (TP) Merupakan suatu
besaran yang mewakili jenis buah baik
buah segar maupun buah busuk yang
terdeteksi dan diprediksi benar.
3) True Negative (TN) Adalah besaran yang
menyatakan bahwa objek memang bukan
termasuk ke dalam klasifikasi dari kelas
buah yang ditentukan, dan memang
sebenarnya buah tersebut tidak masuk ke
dalam kelas dari buah yang ditentukan.
4) False Positive (FP) Mewakili kasus dari
buah yang diprediksi positif masuk ke
dalam kelas tertentu, namun ternyata
bukan termasuk ke dalam kelas dari buah
tersebut.
5) False Negative (FN) Kasus dimana objek
buah yang diprediksi bukan termasuk ke
dalam jenis kelas yang sudah ditentukan
(negative), namun kenyataannya buah
tersebut termasuk ke dalam jenis tersebut.
HASIL DAN PEMBAHASAN
Hasil training pada penelitian
pendeteksian jenis buah segar dan busuk
mendapatkan nilai yang cukup tinggi, dengan
nilai precision mendapatkan rata-rata sebesar
0,990. Nilai puncak rata-rata recall
mendapatkan nilai 1,00 pada nilai confidence
0,00. Besar nilai recall rasio prediksi benar
positif dibandingkan dengan keseluruhan data
yang benar positif. Dari nilai recall ini pun
bisa diketahui berapa persen buah yang
diprediksi masuk ke tiap kelas dibandingkan
keseluruhan jenis buah yang sebenarnya
memang dikategorikan untuk masuk kebuah
yang dimaksud. Semakin besar tingkat recall
dari suatu nilai hasil dari proses data training
maupun data validitas, maka akan semakin
tinggi keakuratan sistem yang telah dibuat.
Untuk lebih jelasnya dapat dilihat pada gambar
3 dan gambar 4. Sedangkan jika dilihat
berdasarkan kinierja untuk setiap proses
pelatihan maupun pengujian di tiap epochnya
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

bisa lebih dikembangkan lagi. Adapun saran
yang diberikan untuk penelitian berikutnya
dalam rangka mengembangkan penelitian yang
sudah kami lakukan diantaranya; dalam hal
pembuatan dataset, kami menyarankan untuk
menggunakan data yang lebih banyak dan jika
memungkinkan dataset yang digunakan adalah
dataset yang diambil secara mandiri. Penulis
beralasan agar pengembangan penelitian ini
tidak hanya berlangsung dalam hal
kemampuan algoritma pemakaian metode
YOLOv5 saja, akan tetapi dalam hal
pembuatan dataset beserta pengolahan dataset
yang baik sampai bisa diolah dan
menghasilkan angka akurasi yang baik. Saran
berikutnya adalah dengan menguji dataset
yang ada ini, menggunakan metode lain, lalu
membandingkan nilai akurasi dari masing-
masing metode yang digunakan atau yang
sudah dilakukan oleh peneliti-peneliti
sebelumnya.
REFERENCES
A. Bochkovskiy, C.-Y. Wang, and H.-Y. M.
Liao. 2020. YOLOv4: Optimal Speed and
Accuracy of Object Detection. [Online].
Available:
https://doi.org/10.48550/arXiv.2004.1093
4
A. Haryono, S. Bismantoko, G. M. Putra and
T. Widodo. 2019. Accuracy in Object
Detection based on Image Processing at
the Implementation of Motorbike Parking
on The Street, 2019 2nd International
Conference on Applied Engineering
(ICAE), 1-5. doi:
10.1109/ICAE47758.2019.9221817.
Al-Qudah, Rabiah, and Ching Y. Suen, 2019.
Enhancing Yolo Deep Networks for the
Detection of License Plates in Complex
Scenes. Proceeding of the second
international conference on data science,
E-learning and information systems, 21,
1-6.
https://doi.org/10.1145/3368691.3368712
A. Shrivastava, R. Sohandani, and N.
129
Khatwani. 2021. Fresh and Stale Images
of Fruits and Vegetables, kaggle,
https://www.kaggle.com/datasets/raghavr
potdar/fresh-and-stale-images-of-fruits-
and-vegetables. (accessed Sep. 22, 2022)
A. Abdullah and P. Pahrianto. 2017. Sistem
Klasifikasi Kematangan Tomat
Berdasarkan Warna Dan Bentuk
Menggunakan Metode Support Vector
Machine (Svm), JSI J. Sist. Inf., 9 (2),
1313–1322. doi: 10.36706/jsi.v9i2.5007.
A. Wibowo. 2022. Pemanfaatan Kamera
DSLR Canon 1200D untuk Pengamatan
Fotometri Bintang Variabel. Prosiding
Seminar Panorama Antariksa, 978, 78-81.
D. I. Mulyana, M. A. Rofik. 2022.
Implementasi Deteksi Real Time
Klasifikasi Jenis Kendaraan di Indonesia
Menggunakan Metode YOLOV5. Jurnal
pendidikan tambusai, 6(3), 13971-13982.
https://doi.org/10.31004/jptam.v6i3.4825
E. Alpaydin. 2010. Introduction to Machine
Learning Second Edition. In Introduction
to Machine Learning.
https://doi.org/10.1007/978-1-62703-748-
8_7
F. N. Cahya, R. Pebrianto, and T. A. M. 2021.
Klasifikasi Buah Segar dan Busuk
Menggunakan Ekstraksi Fitur Hu-
Moment , Haralick dan Histogram, IJCIT
(Indonesian J. Comput. Inf. Technol, 6(1),
57–62, 2021, doi:
10.31294/ijcit.v6i1.10052.
https://www.kaggle.com/datasets/raghavrpotda
r/fresh-and-stale-images-of-fruits-and-
vegetables (accessed Oct. 12, 2022).
Hammam, H., Asyhar, A., Wibowo, S. A., &
Budiman, G. 2020. Implementasi Dan
Analisis Performansi Metode You Only
Look Once ( Yolo ) Sebagai Sensor
Pornografi Pada Video Implementation
and Performance Analysis of You Only
Look Once ( Yolo ) Method As Porn
Censorship in Video. 7(2), 3631–3638.
J. Redmon and A. Farhadi. 2018. YOLOv3:
An Incremental Improvement. arXive-
prints arXiv:1804.02767.

Lin, Hanhe, Jeremiah D. Deng, Deike Albers,
and Felix Wilhelm Siebert. 2020. Helmet
Use Detection of Tracked Motorcycles
Using CNN-Based Multi-Task Learning.
IEEE Access, 8(3): 162073–84.
M. Ichwan, I. A. Dewi, and Z. M. S, 2019.
Klasifikasi Support Vector Machine
(SVM) Untuk Menentukan
TingkatKemanisan Mangga Berdasarkan
Fitur Warna, MIND J., 3(2), 16–23.
doi: 10.26760/mindjournal.v3i2.16-23.
N. Wijaya and A. Ridwan. 2019. Klasifikasi
Jenis Buah Apel Dengan, Sisfokom, 8(1),
74–78,
S. R. Hidiya and M. E. Lasulika, 2019. Fitur
Ekstraksi LBP Untuk Mengidentifikasi
Kematangan Tomat Sayur Menggunakan
Metode K-Nearest Neighbor, J. Nas.
cosPhi, 3(1), 2597–9329.
130
Tan, Shilei, Gonglin Lu, Ziqiang Jiang, and Li
Huang. 2021. Improved YOLOv5 Model
and Application in Safety Helmet
Detection. ISR 2021 - 2021 IEEE
International Conference on Intelligence
and Safety for Robotics: 330–33.
You, Lei et al. 2019. Small Traffic Sign
Detection and Recognition in High-
Resolution Images. Lecture Notes in
Computer Science (including subseries
Lecture Notes in Artificial Intelligence
and Lecture Notes in Bioinformatics)
11518 LNCS: 37– 53.
Y. Yohannes, M. R. Pribadi, and L. Chandra.
2020. Klasifikasi Jenis Buah dan Sayuran
Menggunakan SVM Dengan Fitur
Saliency-HOG dan Color Moments,
Elkha, 12(2), 125. doi:
10.26418/elkha.v12i2.42160