Perhitungan jumlah dan prediksi tingkat kematangan buah dari citra pohon buah-buahan

Abstract

Salah satu masalah yang dihadapi dalam bidang perkebunan ini adalah faktor human error yang dapat mempengaruhi hasil panen. Faktor human error yang dimaksud adalah penentuan tingkat kematangan buah. Untuk dapat meminimalisir faktor human error dibuatlah penelitian yang bertujuan untuk membuat model yang dapat memprediksi tingkat kematangan suatu buah hanya dengan memasukkan input berupa gambar buah. Buah yang digunakan dalam penelitian ini terdiri dari 3 jenis buah yaitu jeruk, mangga dan pepaya. Untuk dapat melatih model yang diinginkan, tahap awal yang dilakukan adalah melakukan eksperimen mengenai deep learning dan berbagai macam teknik yang dapat digunakan dalam pembuatan model untuk melakukan deteksi objek pada gambar. Pelatihan model dilakukan dengan menggunakan salah satu algoritma deep learning yaitu Convolutional Neural Network (CNN). Arsitektur CNN yang digunakan dalam pelatihan model adalah arsitektur RetinaNet. Arsitektur ini terdiri dari 2 komponen penting yaitu feature extraction dan prediksi. Feature extraction dilakukan dengan memanfaatkan backbone Feature Pyramid Network (FPN). FPN merupakan arsitektur deep learning yang terdiri dari lapisan-lapisan gambar dimana setiap lapisan memiliki ukuran gambar yang berbeda dengan fitur yang berbeda-beda. FPN diawali dengan bottom-up pathway yang bertugas untuk melakukan downsampling pada gambar input dengan tujuan mencari fitur pada setiap ukuran gambar, dengan semakin mengecilnya ukuran gambar maka fitur yang didapatkan akan bernilai sangat berharga. Tahap selanjutnya dilakukan upsampling pada top-down pathway, pada jalur ini akan dilakukan penggabungan fitur pada setiap tingkat piramida dan menghubungkan setiap lapisan piramida dengan lateral connection. Dari setiap lapisan piramida akan dihasilkan fitur–fitur yang dapat digunakan untuk memprediksi lokasi objek dan kelas objek, prediksi ini dilakukan dengan memanfaatkan classsification subnet dan box regression subnet. Pelatihan model yang dibuat menghasilkan model untuk memprediksi tingkat kematangan masing–masing jenis buah yang telah ditentukan (Jeruk, Mangga dan Pepaya) dengan model terbaik untuk buah jeruk mendapatkan nilai mean Average Precision 0.82 dan presisi sebesar 0.85 untuk memprediksi buah jeruk matang dan 0.79 untuk memprediksi buah jeruk tidak matang dengan hyperparameter yang digunakan adalah 2 layer yang digunakan untuk konvolusi pada classification subnet dan regression subnet, dengan 4 x 4 filter yang digunakan pada classification subnet dan regression subnet dan menggunakan 4 pyramid level. Untuk buah mangga mendapatkan nilai mean Average Precision 0.83 dan presisi sebesar 0.85 untuk buah mangga matang dan 0.82 untuk buah mangga tidak matang dengan hyperparameter yang digunakan adalah 4 layer yang digunakan untuk konvolusi pada classification subnet dan regression subnet dan dengan 3 x 3 filter yang digunakan pada classification subnet dan regression subnet. Sedangkan untuk buah pepaya model yang dihasilkan kurang baik dengan nilai presisi sebesar 0.71 untuk buah pepaya matang dan 0.33 untuk buah pepaya tidak matang. Kesimpulan yang dapat diambil dari penenlitian ini adalah model yang dihasilkan untuk memprediksi tingkat kematangan buah jeruk dan mangga sudah cukup baik menurut penulis namun untuk buah pepaya model yang dihasilkan kurang baik. Hal ini disebabkan karena gambar buah pepaya yang digunakan dalam pembuatan model saling berhimpitan satu sama lain.