Industri gula di Indonesia menghadapi tantangan besar dalam memenuhi
kebutuhan domestik akibat rendahnya produktivitas dan kualitas tebu. Sebagai
salah satu pabrik gula terbesar, PT. SGN PG. Jatiroto memiliki permasalahan yang
cukup krusial yaitu proses klasifikasi mutu tebu yang masih dilakukan secara
manual sehingga menimbulkan subjektivitas dalam pengklasifikasian mutu tebu
serta isu kepercayaan dari petani dan mitra pengangkut yang menyebabkan biaya
tambahan. Penelitian ini bertujuan untuk mengembangkan model deep learning
berbasis algoritma YOLOv10 untuk klasifikasi mutu batang tebu yang diharapkan
dapat meningkatkan objektivitas dan efisiensi dalam evaluasi mutu tebu di PT.
SGN PG. Jatiroto. Metodologi yang digunakan mengacu pada tahapan Knowledge
Discovery in Database (KDD) yang mencakup: (1) Pengumpulan data visual
batang tebu dengan variasi mutu; (2) Pra-pemrosesan data seperti anotasi data dan
pembagian data; (3) Transformasi data melalui standarisasi dan augmentasi; (4)
Proses data mining dengan melatih model YOLOv10 di lingkungan PyTorch;
serta (5) Evaluasi hasil model menggunakan confusion matrix. Model
dikembangkan menggunakan YOLOv10 dan dilatih pada tiga skenario pembagian
data (70:30, 80:20, 90:10). Skenario 80:20 memberikan performa terbaik dengan
nilai mAP50 sebesar 0.931, mAP50-95 sebesar 0.812, akurasi 0.812, presisi 0.871,
sensivitas 0.887, dan f1-score 0.880. Simulasi model terbaik menggunakan data
video menunjukkan akurasi klasifikasi sebesar 99% dengan confidence rata-rata
di atas 90% untuk kelas D dan E. Temuan ini menunjukkan bahwa model
YOLOv10 memiliki potensi untuk mendukung klasifikasi mutu tebu secara real-
time, konsisten, dan objektif, serta memberikan landasan awal menuju otomatisasi
proses klasifikasi mutu di industri agro khususnya tebu.
Kata kunci—anotasi data, CNN, dataset, deep learning, evaluasi, klasifikasi
mutu tebu, pertanian, YOLO