Perancangan Aplikasi Computer Vision Berbasis Convolutional Neural Network Untuk Deteksi Kematangan Kelapa Sawit
DOI:
https://doi.org/10.33998/jakakom.2026.6.1.2568Kata Kunci:
Kelapa Sawit, Kemantangan Buah, Computer Vision, Convutional Neural Network, YOLOv5, Aplikasi WebAbstrak
Penentuan tingkat kematangan buah kelapa sawit secara manual masih menjadi tantangan signifikan bagi petani, menyebabkan inefisiensi dan penurunan kualitas hasil panen. Penelitian ini bertujuan untuk merancang dan mengimplementasikan aplikasi computer vision berbasis Convolutional Neural Network (CNN) guna mendeteksi kematangan buah sawit secara otomatis, objektif, dan efisien. Metode yang digunakan adalah pengembangan sistem berbasis web dengan model Waterfall, mengintegrasikan arsitektur YOLOv5s yang dimodifikasi dengan Convolutional Block Attention Module (CBAM), C3 Transformer (C3TR), dan Bidirectional Feature Pyramid Network (BiFPN). Dataset yang terdiri dari 4160 citra buah sawit diproses melalui auto-orient, resize, normalisasi warna, dan augmentasi data, kemudian dibagi menjadi 70% data latih, 20% validasi, dan 10% uji. Pelatihan model dilakukan di Google Colab menggunakan GPU Nvidia A100 selama 21.36 menit. Hasil evaluasi model menunjukkan kinerja yang sangat tinggi dengan Precision 0.9858, Recall 0.9910, [email protected] sebesar 0.9941, dan [email protected]:0.95 sebesar 0.8544. Confusion Matrix dan kurva Precision-Recall mengindikasikan akurasi klasifikasi yang sangat baik dan kemampuan generalisasi model yang kuat. Implementasi sistem berbasis web memungkinkan petani mengunggah gambar atau video, serta menggunakan webcam untuk deteksi real-time. Aplikasi ini diharapkan dapat membantu petani dalam mengidentifikasi kematangan buah sawit secara lebih cepat dan objektif, meminimalkan kesalahan, dan meningkatkan kualitas serta efisiensi panen.
Unduhan
Referensi
B. H. Simanjuntak, “Analisis produktivitas perkebunan kelapa sawit di Sumatera dan Kalimantan,” Jurnal Ekonomi dan Bisnis Perkebunan, vol. 8, no. 1, pp. 30–45, 2020.
A. Hasibuan, F. Siregar, and M. Hidayat, “Pengaruh Tingkat Kematangan Tandan Buah Segar (TBS) terhadap Rendemen dan Mutu Minyak Kelapa Sawit,” Jurnal Ilmu dan Teknologi Perkebunan, vol. 18, no. 3, pp. 112–128, 2022.
S. Hidayat and E. Nurhayati, “Studi kasus kesalahan panen pada perkebunan kelapa sawit rakyat,” Jurnal Agroekoteknologi, vol. 14, no. 2, pp. 78–90, 2021.
P. R. Kumar, A. R. Singh, and M. R. K. Varma, “The role of artificial intelligence and computer vision in modern agriculture: A comprehensive review,” Journal of Agricultural Technology and Innovation, vol. 5, no. 2, pp. 45–58, 2021.
L. P. Sari, D. P. Wardani, and S. M. Susanto, “Aplikasi computer vision dalam berbagai sektor industri: studi kasus di bidang kesehatan, manufaktur, dan transportasi,” Jurnal Teknologi Informasi, vol. 15, no. 4, pp. 345–360, 2022.
S. Wahyuni and Y. Sulaeman, “Penerapan Deep Learning untuk Prediksi Harga Saham Menggunakan Metode Long Short-Term Memory (LSTM),” Jurnal Sistem Informasi Bisnis, vol. 12, no. 2, pp. 150–160, 2022.
B. T. Nugroho, “Aplikasi convolutional neural network (CNN) dalam klasifikasi objek di bidang pertanian: review dan prospek,” Jurnal Ilmu Komputer dan Informasi, vol. 16, no. 1, pp. 1–15, 2021.
F. B. Setiawan, C. B. Adipradana, and L. H. Pratomo, “Fruit Ripeness Classification System Using Convolutional Neural Network (CNN) Method,” Protek: Jurnal Ilmiah Teknik Elektro, vol. 10, no. 1, p., 2023, doi: 10.33387/protk.v10i1.5549.
B. Xiao, M. Nguyen, and W. Q. Yan, “Apple Ripeness Identification Using Deep Learning,” 2021. doi: 10.1007/978-3-030-.
M. Rifqi and E. Suharjito, “Deteksi tingkat kematangan buah sawit berdasarkan komposisi warna menggunakan convolutional neural network,” Jurnal Sains dan Teknologi Komputer, vol. 15, no. 2, pp. 170–185, 2021.
A. Syaifuddin, R. Wibowo, and D. Pratama, “Identifikasi Tingkat Kematangan Buah Kelapa Sawit Menggunakan Convolutional Neural Network (CNN) untuk Panen yang Efisien,” Jurnal Teknologi Pertanian, vol. 24, no. 1, pp. 50–65, 2023.
S. Maysaroh, H. Purnomo, and A. Fitriani, “Identifikasi Kematangan Buah Sawit Berdasarkan Ekstraksi Warna RGB dan HSV Menggunakan Metode K-Means Clustering,” Jurnal Informatika Terapan, vol. 15, no. 2, pp. 88–102, 2021.
D. Kurniawan, M. T. Handoko, and J. Prayoga, “Sistem klasifikasi kematangan buah sawit menggunakan YOLOv5 dan dataset citra,” Jurnal Teknologi dan Komputer Terapan, vol. 13, no. 1, pp. 45–56, 2022.
A. Arsyad, R. Nugraha, and F. A. Ramadhan, “Pengembangan sistem deteksi kematangan buah sawit secara real-time menggunakan YOLOv4 dan video,” Jurnal Informatika, vol. 17, no. 3, pp. 210–225, 2022.
E. Kurniawan, D. Saputra, and R. Ariyanto, “Performa convolutional neural network dalam klasifikasi tingkat kematangan buah apel dan tomat,” Jurnal Komputasi Pertanian, vol. 7, no. 4, pp. 290–305, 2019.
A. Arsyad, R. Nugraha, and F. A. Ramadhan, “Sistem Deteksi Kematangan Buah Kelapa Sawit Secara Real-Time Menggunakan Arsitektur YOLOv4 untuk Aplikasi Mobile dan Web,” Jurnal Informatika, vol. 17, no. 3, pp. 201–215, 2023.
M. R. Fadli, S. A. Ginting, and R. F. Pratama, “Analisis tantangan dan solusi dalam pengumpulan dataset untuk deep learning pada objek pertanian,” Jurnal Sistem Cerdas, vol. 11, no. 2, pp. 140–155, 2020.
binus, “sawit Object Detection Model (v5),” 2022.
R. S. Pressman and B. R. Maxim, “Software Engineering.” 2020.
