Buah segar mempunyai definisi dan karakteristik tersendiri. Pemisahan buah segar
dari buah mentah sangat diperlukan agar buah yang dipilih tidak kehilangan nutrisi dan
vitamin yang terkandung di dalam buah. Tanaman pepaya merupakan salah satu tanaman
tropis yang banyak dibudidayakan di Indonesia. Tanaman ini mengandung vitamin A,
vitamin C, serta mineral seperti kalsium, fosfor, magnesium, dan zat besi. Saat ini metode
manual dalam mengklasifikasikan buah segar dinilai kurang efektif. Identifikasi
kematangan buah pepaya secara manual berdasarkan analisis visual warna kulit seringkali
tidak efektif karena keterbatasan visual dan kelelahan manusia. Metode manual dalam
mengklasifikasikan buah segar dinilai kurang efektif untuk pemilihan dalam jumlah
banyak. Oleh karena itu untuk mengatasi masalah ini, metode deep learning menggunakan
Convolutional Neural Network (CNN) diterapkan untuk memodelkan data gambar yang
kompleks. Model Arsitektur Yolov5 dipilih karena keunggulannya dalam kecepatan dan
akurasi identifikasi objek dalam foto, ideal untuk penggunaan real-time dalam video.
Penelitian ini bertujuan mengukur sejauh mana penggabungan metode CNN dan YOLOv5
dapat meningkatkan akurasi identifikasi tingkat kematangan buah papaya secara realtime.
Variasi batch size yang digunakan 10, 20, 30, 40, 50, 60 dan variasi epoch 50, 100, 150,
200, 250, 300 dengan rentang jarak 0 cm - 250 cm. Hasil menunjukkan nilai mAP tertinggi
sebesar 0,982 dengan akurasi kinerja sistem mencapai 94%.
Kata Kunci: Artificial Intelligence, Convolutional Neural Network, Object Detection
System, Papaya, YOLOV5.