Abstrak
kali tidak konsisten terutama pada pengamatan berskala besar. Untuk mengatasi permasalahan tersebut, peneliti mengusulkan sistem deteksi tingkat kesegaran kubis putih secara otomatis dan real-time dengan menggunakan algoritma deep learning YOLOv8. Sistem ini akan mengidentifikasi berdasarkan tiga tingkatan kesegaran, yaitu kubis segar, kubis kurang segar, dan kubis busuk. Dataset yang digunakan terdiri dari 3009 citra kubis putih hasil dari proses pre-processing berupa resize, dan rotasi, serta proses augmentasi citra berupa brightness untuk meningkatkan variasi sampel sehingga diperoleh proporsi 93% (3009 citra) data latih, 3% (106 citra) data validasi, dan 3% (106 citra) data uji. Hasil pengujian sistem terhadap 106 citra data uji menghasilkan nilai rata rata recall sebesar 0,847, recall sebesar 0,878 dan f-measure sebesar 0,863. Kemudian hasil pengujian sistem secara real-time terhadap citra multi objek (berisi tiga kelas secara acak) yang diambil sebanyak 1 kali per 10 detik selama 5 menit pada jarak 20 cm dihasilkan nilai recall sebesar 0,919, recall sebesar 0,902, dan f-measure sebesar 0,903, sedangkan pada jarak 30 cm diperoleh nilai recall sebesar 0,889, recall sebesar 0,911, dan f-measure sebesar 0,888. Dari hasil pengujian tersebut membuktikan bahwa sistem dapat bekerja dalam mendeteksi kesegaran kubis putih secara real-time paling baik pada jarak 20 cm. Hal ini membuktikan bahwa usulan sistem dapat menjadi solusi efektif untuk seleksi mutu produk kubis putih secara otomatis dan real-time.