KLASIFIKASI KUALITAS CABAI KATOKKON DENGAN DEEP LEARNING PADA PERANGKAT EDGE COMPUTING: PENGEMBANGAN DAN IMPLEMENTASI=QUALITY CLASSIFICATION OF CHILI KATOKKON WITH DEEP LEARNING ON EDGE COMPUTING DEVICES: DEVELOPMENT AND IMPLEMENTATION

Cabai Katokkon adalah varietas dominan di daerah Toraja yang dikenal karena rasa pedas dan aroma khasnya, sering digunakan sebagai bumbu khas. Namun, cabai ini sering terancam oleh serangan hama dan penyakit seperti ulat dan lalat buah, yang dapat mengurangi produksi secara signifikan. Proses sortasi manual pasca-panen juga sering tidak konsisten, mempengaruhi efisiensi dan kualitas hasil. Penelitian ini mengusulkan penggunaan teknik deep learning, khususnya YOLO (You Only Look Once), untuk mengklasifikasikan kualitas cabai Katokkon secara otomatis pada perangkat edge computing. Hasil menunjukkan bahwa YOLOv8 memiliki keseimbangan antara performa dan penggunaan sumber daya yang terbaik (Precision: 0,69; Recall: 0,71; mAP50: 0,72; dan mAP50-95: 0,54) bersaing secara kompetitif dengan YOLOv7 (Precision: 0,66; Recall: 0,73; mAP50: 0,73; mAP50-95: 0,52) dan YOLOv9 (Precision: 0,61; Recall: 0,72; mAP50: 0,71; mAP50-95: 0,51). YOLOv8 juga menonjol dengan kecepatan inferensi rata-rata terendah di antara model lainnya, yaitu 427,42 ms, menjadikannya ideal untuk aplikasi edge computing. Selain itu, hasil menunjukkan bahwa resolusi gambar 224x224 memberikan keseimbangan terbaik untuk model (Precision: 0,62; Recall: 0,75; F1-score: 0,68; mAP50: 0,70; dan mAP50-95: 0,53), dan penggunaan sumber daya (kecepatan inferensi: 294,71 ms; penggunaan CPU: 80,08%; penggunaan memori: 23,16%). Dalam perbandingan antar perangkat, Smartphone menunjukkan kinerja terbaik dengan kecepatan inferensi rata-rata 3,26 ms, yang jauh lebih rendah dibandingkan Raspberry Pi (427,42 ms) dan Jetson Nano (228,60 ms). Smartphone juga menunjukkan penggunaan CPU yang lebih rendah (42,33%), menegaskan efisiensi energi yang lebih baik untuk aplikasi praktis dalam sistem sortasi otomatis cabai Katokkon.