Program Studi Teknik Mekatronika Fakultas Teknologi Industri - UNPAR

Abstract

Perkebunan kelapa sawit memiliki lahan yang relatif sangat luas dan melibatkan banyak pekerja sehingga pemantauan produksi lahan memerlukan bantuan teknologi yang dapat membantu sistem pemantauan lahan. Dalam memenuhi hal itu, dilakukan sebuah proyek penelitian dengan konsep Smart Helmet untuk membantu pemantauan produksi lahan khususnya dalam pemantauan kualitas hasil panen yaitu kematangan tandan buah kelapa sawit (TBKS). Dengan memanfaatkan teknologi pembelajaran mesin (machine learning) yaitu jaringan saraf konvolusi atau Convolution Neural Network (CNN), penelitian ini berfokus pada pelatihan model klasifikasi tingkat kematangan tandan buah kelapa sawit berdasarkan set data yang berisi satu TBKS pada satu foto beserta tingkat kematangannya. Berbagai variabel seperti arsitektur CNN, optimizer, learning rate (LRate) serta set data akan digunakan untuk mencari variabel pelatihan yang optimal dalam melatih modelnya. Model yang dihasilkan dari pembelajaran akan ditanamkan dalam perangkat komputer yang digunakan pada proyek Smart Helmet. Pelatihan dengan kombinasi variabel AlexNet, set data 1 (cropped), Adam, dengan LRate 10−4 dapat menghasilkan model terlatih dengan akurasi pengujian tertinggi yaitu 87,1%. Namun akurasi menjadi 55,8% saat diuji pada set data dari perkebunan lain. Performa akurasi tertinggi didapatkan setelah melatih kembali model terlatih dengan menambahkan sebagian set data baru (60%) sehingga meningkatkan akurasi menjadi 92, 4% dengan loss 0, 349.