Perpustakaan Digital ITB

Penelitian ini bertujuan untuk mengatasi permasalahan efisiensi dan akurasi dalam proses sortir jeruk keprok Brastepu di rantai pasok agribisnis, khususnya di tingkat lapak. Proses manual yang ada saat ini menyebabkan inefisiensi waktu, tingginya angka kesalahan pencatatan, serta beban kerja fisik dan kognitif yang signifikan, yang berujung pada kerugian finansial dan menurunnya kepercayaan antaraktor. Untuk itu, diusulkan pengembangan sistem deteksi kebusukan jeruk berbasis computer vision yang terintegrasi dengan timbangan digital cerdas dan aplikasi khusus. Sebagai langkah awal, model YOLOv11m diimplementasikan, namun menunjukkan presisi rendah pada deteksi jeruk busuk (0.776), di bawah standar toleransi 15% false positive, akibat class imbalance dalam dataset. Oleh karena itu, untuk mengatasi masalah ini, tiga strategi penanganan class imbalance pada dataset diimplementasikan dan dievaluasi pada model YOLOv11m: pembobotan kelas (class weighting), penggunaan pre-trained weights, dan oversampling kelas minoritas. Model terbaik (YOLOv11m dengan pre-trained weights saja) berhasil mencapai presisi kelas 'rotten' 0.868, presisi keseluruhan 0.840, recall keseluruhan 0.818, dan mAP50 0.902, memenuhi semua kebutuhan non-fungsional yang ditetapkan. Sistem deteksi ini kemudian di-deploy sebagai API menggunakan FastAPI, mampu menerima citra, melakukan inferensi, menghitung proporsi kebusukan dan confidence interval dengan Finite Population Correction (FPC), serta mengembalikan data terstruktur. Evaluasi persepsi pengguna menggunakan Technology Acceptance Model (TAM) menunjukkan penerimaan yang sangat positif dari pedagang (Perceived Usefulness 4.36, Perceived Ease of Use 4.96) dan pekerja lapak (Perceived Usefulness 4.49, Perceived Ease of Use 4.67). Hal ini mengindikasikan bahwa sistem ini sangat bermanfaat dan mudah digunakan, dengan potensi tinggi untuk adopsi di lapangan.