Implementasi Algoritma YOLOv12 Untuk Deteksi Tingkat Kesiapan Panen Kangkung Potong Secara Realtime Berbasis Android
DOI:
https://doi.org/10.33506/insect.v12i2.5910Keywords:
YOLOv12, Deteksi Objek, Kesiapan Panen, Kangkung Potong, AndroidAbstract
Penentuan tingkat kesiapan panen kangkung potong umumnya masih dilakukan secara manual melalui pengamatan visual petani yang bersifat subjektif sehingga rentan menimbulkan ketidakkonsistenan dan memengaruhi kualitas serta nilai jual hasil panen. Penelitian ini bertujuan mengimplementasikan algoritma YOLOv12 untuk mendeteksi tingkat kesiapan panen kangkung potong ke dalam dua kelas, yaitu siap panen dan belum panen, secara real-time pada perangkat Android. Dataset terdiri atas 3.556 citra yang dikumpulkan dari repositori publik, kemudian dianotasi, dipra-pemrosesan, dan dibagi dengan proporsi 70:20:10, dengan augmentasi diterapkan hanya pada subset data latih. Model YOLOv12s dilatih selama 100 epoch pada Google Colab, lalu dikonversi ke format ONNX agar dapat dijalankan langsung di perangkat melalui ONNX Runtime. Hasil evaluasi menunjukkan model memperoleh precision 0,841, recall 0,888, mAP50 0,914, dan mAP50-95 0,539, dengan performa terbaik pada kelas siap panen (recall 0,990). Sistem berhasil diimplementasikan menjadi aplikasi Android Kangkung Detector dan diuji menggunakan black box testing yang seluruh fungsinya berjalan sesuai harapan, serta usability testing terhadap 25 responden dengan rata-rata penerimaan 92,08%. Dengan demikian, YOLOv12 berhasil diimplementasikan pada perangkat Android untuk mendeteksi tingkat kesiapan panen kangkung potong dengan akurasi yang baik pada data uji, sehingga berpotensi membantu petani menentukan waktu panen secara lebih objektif dan konsisten.
References
[1] A. R. Al-Abbas, Ł. Gierz, B. S. Falih, dan M. A. J. Al-Sammarraie, “Application of you only look once algorithms to crop production management using unmanned aerial vehicles and computer vision systems,” Adv. Sci. Technol. Res. J., vol. 20, no. 1, hal. 1–13, 2026, doi: 10.12913/22998624/207678.
[2] N. P. Sari, “Analisis Performa Algoritma CNN dalam Klasifikasi Citra Medis Berbasis Deep Learning,” J. Komput., vol. 2, no. 2, hal. 87–92, 2024, doi: 10.70963/jk.v2i2.113.
[3] M. Yan, Z. Sun, Y. Xu, C. Gong, dan C. Kang, “A Review of Lightweight Object Detection Technologies for Densely Occluded Scenarios in Agricultural Fields,” Agronomy, vol. 16, no. 11, hal. 1–37, 2026, doi: 10.3390/agronomy16111059.
[4] N. Sary, H. Handoko Syahputra Pasaribu, R. Juliana Situmeang, dan R. Darmawan Darus, “Implementasi Algoritma YOLOv11 Dan Roboflow Untuk Deteksi Tingkat Kematangan Anggur Berbasis Web,” Media Teknol. Inf. Dan Komput. J., vol. 9, no. 2, hal. 264–274, 2025, doi: 10.47002/metik.v9i2.1121.
[5] S. E. Prasetyo, G. Wijaya, A. Kwan, P. T. Informasi, F. I. Komputer, dan U. I. Batam, “Klasifikasi Kematangan Buah Pisang Menggunakan YOLOv12 Berbasis Deep Learning,” STORAGE – J. Ilm. Tek. dan Ilmu Komput., vol. 5, no. 1, hal. 30–39, 2026, doi: 10.55123.
[6] I. U. Haq, F. Felicetti, D. L. Carnì, dan F. Lamonaca, “A Metrologically Guided YOLOv12 Framework with Augmentation-Free Training and Two-Phase Optimization for Multiclass Tomato Leaf Disease Detection,” Appl. Sci., vol. 16, no. 5, hal. 1–26, 2026, doi: 10.3390/app16052252.
[7] A. Rahmawati, F. Fadhlilah, Y. K. Fanaba, K. M. Salma, dan D. Indah, “PERTUMBUHAN DAN HASIL TANAMAN KANGKUNG (Ipomoea reptans) PADA PEMBERIAN BEBERAPA KONSENTRASI EKOENZIM,” Fruitset Sains J. Pertan. Agroteknologi, vol. 12, no. 6, hal. 382–389, 2025, doi: https://doi.org/10.35335/fruitset.v12i6.6106.
[8] C. V. Nanda, V. K. Sari, dan M. N. Khozin, “RESPON PERTUMBUHAN TANAMAN KANGKUNG (Ipomoea reptans Poir) PADA BERBAGAI DOSIS PUPUK NPK,” Agribios, vol. 20, no. 2, hal. 295, 2022, doi: 10.36841/agribios.v20i2.1943.
[9] Z. Zulkifli, R. Rosnina, K. Khaidir, M. Martina, dan R. Riani, “Budidaya Hidroponik Tanaman Kangkung Dengan Sistem Nft (Nutrient Film Technique) Bagi Masyarakat Desa Lancang Garam Kecamatan Banda Sakti Kota Lhokseumawe,” J. Malikussaleh Mengabdi, vol. 2, no. 1, hal. 177, 2023, doi: 10.29103/jmm.v2i1.9166.
[10] D. P. K. Sorong, “Produksi Tanaman Sayuran Menurut Distrik dan Jenis Tanaman di Kota Sorong (kuintal),” Badan Pusat Statistik. Diakses: 23 Juni 2026. [Daring]. Tersedia pada: https://sorongkota.bps.go.id/id
[11] A. Chandrashekhar, B. Satyanarayana, R. R. Gorrepati, P. Vasanthi, dan K. L. Prasanna, “An efficient YOLOv12-based framework for detecting extremely small-scale objects,” Sci. Rep., vol. 16, no. 1, hal. 1–19, 2026, doi: 10.1038/s41598-025-31803-7.
[12] L. T. Ramos dan A. D. Sappa, “A comprehensive analysis of YOLO architectures for tomato leaf disease identification,” Sci. Rep., vol. 15, no. 1, hal. 1–26, 2025, doi: 10.1038/s41598-025-11064-0.
[13] Z. Yang, Z. Khan, Y. Shen, dan H. Liu, “GTDR-YOLOv12: Optimizing YOLO for Efficient and Accurate Weed Detection in Agriculture,” Agronomy, vol. 15, no. 8, hal. 1–25, 2025, doi: 10.3390/agronomy15081824.
[14] I. P. A. Pradana dan N. A. S. ER, “Implementasi Algoritma Yolo untuk Deteksi Buah Durian dan Manggis,” J. Nas. Teknol. Inf. dan Apl., vol. 2, no. 4, hal. 879–886, 2024.
[15] M. S. Nuha dan R. Alexandro H., “Pemanfaatan Yolo untuk Pengenalan Kesegaran Buah Mangga,” Joutica, vol. 7, no. 1, hal. 513, 2022, doi: 10.30736/jti.v7i1.747.
[16] F. R. B. Putra, A. Fadlil, dan R. Umar, “Application of Forward Chaining Method, Certainty Factor, and Bayes Theorem for Cattle Disease,” Int. J. Adv. Sci. Eng. Inf. Technol., vol. 14, no. 1, hal. 365–374, 2024, doi: 10.18517/ijaseit.14.1.18912.
[17] M. R. Setyawan, F. Rahardika, B. Putra, R. Soekarta, dan Y. I. Manurung, “Deteksi Kesehatan Kucing Menggunakan Arsitektur VGG-16 Berbasis Website,” J. Pustaka Data, vol. 5, no. 2, hal. 391–397, 2025, doi: https://doi.org/10.55382/jurnalpustakadata.v5i2.1449.
[18] F. Rahardika dkk., “Implementasi Machine Learning Dalam Mengidentifikasi Tanaman Hias menggunakan Metode CNN,” Framew. J. Ilmu Komput. dan Inform., vol. 03, no. 01, hal. 1–12, 2024, doi: https://doi.org/10.33506/jiki.v3i1.4138.
[19] M. R. Setyawan, F. R. Bahari Putra, A. Ilham, dan D. A. Suseno, “Detection of Curcuma and Turmeric Differences Utilizing Fuzzy Tsukamoto Android-Based CNN Model,” Ilk. J. Ilm., vol. 17, no. 3, hal. 276–291, 2025, doi: 10.30865/jurikom.v12i3.8696.
[20] R. Soekarta, F. Rahardika, B. Putra, S. Aras, M. R. Setyawan, dan A. Ilham, “Fake Reviews Detection in Tokopedia Using Fine-Tuned BERT-Indonesia Rendra,” Ingénierie des Systèmes d’Information, vol. 31, no. 2, hal. 401–409, 2026, doi: https://doi.org/10.18280/isi.310208.
[21] R. B. Fajar Putra, M. Surahmanto, dan Haris, “Implementation of Machine Learning Classification of Obesity Weight using Dicision Tree,” Int. J. Inf. Syst. Technol., vol. 8, no. 2, hal. 110–116, 2024, doi: https://doi.org/10.30645/ijistech.v8i2.354.
[22] M. El-Geneedy, H. El-Din Moustafa, H. Khater, S. Abd-Elsamee, dan S. A. Gamel, “Advanced real-time detection of acute ischemic stroke using YOLOv12, YOLOv11, and YOLO-NAS: a comparative study for multi-class classification,” Sci. Rep., vol. 15, no. 1, hal. 1–15, 2025, doi: 10.1038/s41598-025-18997-6.
[23] T. Yerulan dan Z. Duisebekov, “Comparative Study of Lightweight YOLOv12 Models for Real-Time Underwater Object Detection,” J. Telemat., vol. 134, no. 5, hal. 127–137, 2025, doi: 10.32743/unitech.2025.134.5.20045.
[24] A. T. A. Putro, A. Wibowo, dan S. Sutikno, “Evaluasi Usability pada Aplikasi Sistem Pencatatan Pegawai Menggunakan Metode Usability Testing dan USE Questionnaire,” J. Masy. Inform., vol. 15, no. 1, hal. 125–148, 2024, doi: 10.14710/jmasif.15.2.67263.
[25] S. Zhao, C. Ye, C. Lian, L. Mei, L. Wu, dan J. Chen, “Fine-Grained Detection and Sorting of Fresh Tea Leaves Using an Enhanced YOLOv12 Framework,” Foods, vol. 15, no. 3, hal. 1–18, 2026, doi: 10.3390/foods15030544.
[26] M. R. Setyawan, F. R. B. Putra, dan A. Ramadhani, “Sentiment Analysis towards Jokowi Post-Presidential Term Using CNN-BiLSTM with Multi-head Attention on Platform X,” Ilk. J. Ilm., vol. 17, no. 2, hal. 150–161, 2025, doi: https://doi.org/10.33096/ilkom.v17i2.2843.150-161.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Muhammad Rizki Setyawan, Fajar Rahardika, Suhardi Aras, Dimas Adi Suseno, Andini Setyaningsi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
