PREDIKSI BERAT PADA BUAH TOMAT MENGGUNAKAN METODE YOLOv11 DAN SUPPORT VECTOR REGRESSION
Pengukuran berat buah tomat secara non-destruktif berbasis citra menantang karena kemiripan bentuk, warna, dan ukuran antar buah. Penelitian ini mengembangkan sistem otomatis berbasis computer vision dan machine learning untuk deteksi objek, klasifikasi kematangan, dan estimasi berat tomat. YOLOv11 digunakan untuk deteksi, sedangkan fitur visual diekstraksi melalui MobileNetV2, ResNet50, dan VGG16, lalu dimanfaatkan oleh SVM untuk klasifikasi kematangan dan SVR untuk prediksi berat. Dataset mencakup tomat mentah dan matang yang dibagi untuk pelatihan, validasi, dan pengujian. Hasil menunjukkan MobileNetV2 unggul dengan MAE 0,49 g, RMSE 1,87 g, dan R² 0,984, diikuti ResNet50, sedangkan VGG16 terendah. SVM mencapai akurasi 100%, dan YOLOv11 memiliki mAP@0.5 0,995 serta mAP@0.95 0,994. Kombinasi model ini terbukti efektif, efisien, dan layak diterapkan untuk otomatisasi panen atau sorting tomat.
APA Style
. (2026).PREDIKSI BERAT PADA BUAH TOMAT MENGGUNAKAN METODE YOLOv11 DAN SUPPORT VECTOR REGRESSION ().Teknik Informatika:FTI
Chicago Style
.PREDIKSI BERAT PADA BUAH TOMAT MENGGUNAKAN METODE YOLOv11 DAN SUPPORT VECTOR REGRESSION ().Teknik Informatika:FTI,2026.Text
MLA Style
.PREDIKSI BERAT PADA BUAH TOMAT MENGGUNAKAN METODE YOLOv11 DAN SUPPORT VECTOR REGRESSION ().Teknik Informatika:FTI,2026.Text
Turabian Style
.PREDIKSI BERAT PADA BUAH TOMAT MENGGUNAKAN METODE YOLOv11 DAN SUPPORT VECTOR REGRESSION ().Teknik Informatika:FTI,2026.Text
