Perbandingan Segmentasi YOLO untuk Deteksi Kematangan TBS Sawit dalam Kondisi Occlusion Tumpang Tindih = Comparison of YOLO Segmentation for Oil Palm FFB Ripeness Detection under Occlusion Overlapping Conditions

Latar belakang. Penentuan tingkat kematangan Tandan Buah Segar (TBS) kelapa sawit merupakan faktor krusial untuk menjaga kualitas dan rendemen minyak sawit mentah (CPO). Metode penilaian manual yang umum digunakan bersifat subjektif, tidak efisien, dan berisiko. Penelitian computer vision sebelumnya cukup efektif dalam kondisi ideal namun mengalami penurunan performa signifikan di kondisi lapangan nyata, terutama akibat occlusion (tumpang tindih) dimana tandan tertutup pelepah atau tandan lainnya. Tujuan. Penelitian ini bertujuan untuk menerapkan dan membandingkan performa arsitektur instance segmentation YOLOv8-seg dan YOLO11-seg dalam mendeteksi tiga kelas kematangan TBS (mentah, setengah matang, matang) dalam kondisi occlusion. Metode. Penelitian ini menggunakan total 768 citra gabungan (data primer dan sekunder). Enam varian model (YOLOv8n/s/m-seg dan YOLO11n/s/m-seg) dilatih dan diuji menggunakan dua skenario: Skenario 1 (occlusion < 50%) dan Skenario 2 (occlusion > 50%). Evaluasi performa didasarkan pada metrik Akurasi, Precision, Recall, F1-score, IoU, Dice Score, mAP50, mAP50:95, dan waktu inferensi. Hasil. Hasil penelitian menunjukkan adanya trade-off antara presisi segmentasi dan efisiensi komputasi. Berdasarkan rata-rata kedua skenario, YOLO11s-seg menunjukkan performa keseluruhan terbaik dengan akurasi 94,68%, F1-score 89.36%, IoU 0.6833, dan Dice Score 0.7891. Model ini terbukti paling unggul dalam mempertahankan presisi kontur mask pada kondisi occlusion berat. Di sisi lain, YOLOv8n-seg menjadi model paling efisien dengan waktu inferensi rata-rata tercepat (8.28 ms) dengan keseluruhan performa yang hanya sedikit lebih rendah dari YOLO11s-seg. YOLO11s-seg direkomendasikan untuk aplikasi yang menuntut presisi tinggi, sementara YOLOv8n-seg ideal untuk implementasi real-time dengan keterbatasan perangkat keras.