Main Article Content
Abstract
Abstract—Deteksi objek merupakan salah satu bidang utama
dalam visi komputer yang memiliki peran penting dalam otomasi
berbagai sektor, termasuk pertanian dan rantai pasok pangan.
Salah satu tantangan besar dalam pengembangan model deteksi
objek adalah kualitas anotasi pada data pelatihan, yang secara
langsung memengaruhi performa model dalam mengenali dan
melokalisasi objek secara akurat. Penelitian ini membandingkan
kinerja
dua model deteksi berbasis YOLOv11 dalam
mengidentifikasi buah pada citra digital yang mengandung lebih
dari satu objek. Model pertama, YOLOv11-Lengkap, dilatih
menggunakan pendekatan anotasi lengkap, di mana seluruh
objek buah dalam gambar diberi label. Model kedua, YOLOv11
Terbatas, hanya dilatih dengan anotasi parsial yang mewakili
sebagian objek pada gambar. Evaluasi dilakukan menggunakan
metrik precision, recall, mean Average Precision pada
Intersection over Union (IoU) 0.5 ([email protected]) dan rentang IoU 0.5
hingga 0.95 ([email protected]:0.95). Hasil menunjukkan bahwa
YOLOv11-Lengkap mencapai precision sebesar 0.86863, recall
sebesar 0.87763, [email protected] sebesar 0.93058, dan [email protected]:0.95
sebesar 0.60492. Sementara itu, YOLOv11-Terbatas memperoleh
precision sebesar 0.55847, recall sebesar 0.75712, [email protected]
sebesar 0.61573, dan [email protected]:0.95 sebesar 0.43064. Temuan ini
menunjukkan bahwa strategi pelabelan yang menyeluruh
menghasilkan performa deteksi yang lebih unggul, baik dalam
akurasi klasifikasi maupun ketepatan pelokalan objek dalam
skenario deteksi buah multi-objek.
Keywords— YOLOv11, Deteksi Objek, Anotasi Citra, Evaluasi
Kinerja, Multi-objek, Buah.