Analisis Perbandingan Arsitektur dan Optimizer YOLOv11 untuk Estimasi Buah Kelapa

I Dewa Gede Agung Wibhisana Natih; Made Windu Antara Kesiman; I Made Gede Sunarya

doi:10.31004/riggs.v4i4.3329

Authors

I Dewa Gede Agung Wibhisana Natih Universitas Pendidikan Ganesha
Made Windu Antara Kesiman Universitas Pendidikan Ganesha
I Made Gede Sunarya Universitas Pendidikan Ganesha

DOI:

https://doi.org/10.31004/riggs.v4i4.3329

Keywords:

YOLO, Estimasi Buah Kelapa, Analisis Cost–Benefit, Optimizer, Computer Vision

Abstract

Estimasi jumlah buah kelapa dalam praktik Majeg di Bali secara manual dinilai tidak efisien dan sangat bergantung pada subjektivitas pengamat. Perkembangan teknologi computer vision, khususnya algoritma You Only Look Once (YOLO), menawarkan solusi deteksi objek yang cepat dan akurat untuk mengatasi keterbatasan tersebut. Namun, pemilihan arsitektur dan optimizer yang sesuai menjadi faktor penting dalam menentukan kinerja model secara keseluruhan. Penelitian ini bertujuan untuk menganalisis dan membandingkan sembilan kombinasi model yang terdiri atas tiga varian arsitektur YOLOv11 (n, s, m) dengan tiga optimizer berbeda (SGD, Adam, dan AdamW) guna menemukan konfigurasi paling optimal untuk tugas estimasi buah kelapa. Dataset penelitian mencakup 254 citra buah kelapa yang diambil di Desa Tusan, Klungkung, Bali, menggunakan kamera smartphone dengan dua kelas objek, yaitu kelapa muda dan kelapa tua. Proses pelatihan dilakukan menggunakan platform Google Colaboratory dengan akselerator GPU Tesla T4, sementara evaluasi kinerja dilakukan berdasarkan tiga metrik utama: akurasi (mAP50), kecepatan inferensi (FPS), dan ukuran model (Size). Analisis cost–benefit dengan bobot 50%–30%–20% menunjukkan bahwa YOLOv11n–SGD menjadi konfigurasi paling optimal dengan skor akhir 0.839, menawarkan keseimbangan terbaik antara akurasi tinggi (mAP50 0.926) dan efisiensi komputasi (5.5 MB). Hasil ini menunjukkan potensi penerapan model untuk estimasi buah kelapa secara real-time di lapangan menggunakan perangkat dengan sumber daya terbatas.).

Downloads

Download data is not yet available.

References

N. K. A. Kristini Putri, I. A. Sintha Agustina, and N. L. Sintya Dewi, “Makna Filosofi Buah Kelapa Dalam Upakara Yadnya,” Majalah Ilmiah Untab, vol. 19, no. 2, pp. 221–225, 2022.

H. Gunawan and A. Asrof Fitri, “Praktik Jual Beli Padi Dengan Sistem Tebas Dan Ijon Melalui Perantara Dalam Perspektif Hukum Positif Dan Hukum Islam,” Penelitian Multidisiplin Ilmu, vol. 1, no. 3, pp. 463–474, 2022, [Online]. Available: http://melatijournal.com/index.php/Metta

S. Muhammad and S. Sambas, “Praktik Jual Beli Buah Petai Di Pohon Dengan Sistem Borongan Perspektif Fikih Muamalah,” Cross-border, vol. 5, no. 2, pp. 1313–1321, 2022.

A. Dinata, M. Sunarya, and G. Gunadi, “Analisis Hyperparameter Pada Klasifikasi Jenis Daging Menggunakan Algoritma Convolutional Neural Network I Made Anom Mahartha Dinata 1 , I Gede Aris Gunadi 2 , I Made Gede Sunarya,” 2024.

A. C. Ian Goodfellow, Yoshua Bengio, “Deep Learning,” MIT Press, vol. 521, no. 7553, p. 785, 2017, doi: 10.1016/B978-0-12-391420-0.09987-X.

J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 2016-Decem, pp. 779–788, 2016, doi: 10.1109/CVPR.2016.91.

I Gusti Ngurah Bagus Putra Asmara, Made Windu Antara Kesiman, and Gede Indrawan, “Balinese Shadow Puppet Characters Detection In The Wayang Peteng Performance Using The Yolov5 Algorithm,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 12, no. 3, pp. 388–397, Dec. 2023, doi: 10.23887/janapati.v12i3.65906.

N. Putu et al., “TPHerbleaf : Dataset Untuk Klasifikasi Jenis Daun Tumbuhan Herbal Berdasarkan Lontar Usada Taru Pramana”, [Online]. Available: https://s.id/jurnalresistor

I. M. G. Sunarya, I Wayan Treman, and Putu Zasya Eka Satya Nugraha, “Classification of Rice Growth Stage on UAV Image Based on Convolutional Neural Network Method,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 12, no. 1, pp. 146–155, May 2023, doi: 10.23887/janapati.v12i1.60959.

I. Made, A. Darma Putra, M. Dendi Maysanjaya, M. Windu, and A. Kesiman, “PENDEKATAN BERBASIS U-NET UNTUK SEGMENTASI HARD EXUDATE DALAM CITRA FUNDUS RETINA,” INSERT: Information System and Emerging Technology Journal, vol. 4, no. 1, 2023.

N. L. P. Kurniawati, M. W. Antara Kesiman, and I. M. G. Sunarya, “Recognition of Balinese Traditional Ornament Carving Images with Convolutional Neural Network and Discrete Wavelet Transform,” Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, vol. 8, no. 4, p. 670, Jan. 2023, doi: 10.26555/jiteki.v8i3.24360.

R. Khanam and M. Hussain, “YOLOv11: An Overview of the Key Architectural Enhancements,” Oct. 2024, [Online]. Available: http://arxiv.org/abs/2410.17725

N. Putu Dita Ariani Sukma Dewi, M. Windu Antara Kesiman, I. Made Gede Sunarya, I. Gusti Ayu Agung Diatri Indradewi, and I. Gede Andika, “Classification of Herbal Plant Leaf Types Based on Lontar Usada Taru Pramana Using CNN,” 2025.

M. Yaseen, “What is YOLOv9: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector,” Sep. 2024, [Online]. Available: http://arxiv.org/abs/2409.07813

M. Kotthapalli, D. Ravipati, and R. Bhatia, “YOLOv1 to YOLOv11: A Comprehensive Survey of Real-Time Object Detection Innovations and Challenges,” Aug. 2025, [Online]. Available: http://arxiv.org/abs/2508.02067