SISTEM DETEKSI BRONDOLAN KELAPA SAWIT MENGGUNAKAN METODE YOU ONLY LOOK ONCE (YOLO) = OIL PALM LOOSE FRUITS DETECTION SYSTEM USING YOU ONLY LOOK ONCE (YOLO)

Brondolan sawit merupakan bagian buah sawit yang memiliki kandungan minyak yang tinggi dan akan menyebabkan kerugian apabila tidak ditangani dengan tepat. Pengutipan brondolan buah sawit merupakan salah satu proses pengumpulan buah sawit yang kurang efektif karena membutuhkan waktu dan banyak tenaga karena masih dilakukan secara manual. Tujuan dari penelitian ini adalah untuk mengembangkan sistem deteksi brondolan sawit agar nantinya dapat diimplementasikan pada robot pengumpul brondolan yang dapat membantu meringankan pekerjaan pengutipan buah sawit. Penelitian ini mengembangkan sebuah sistem deteksi brondolan sawit dengan membandingkan tiga algoritma YOLO, yaitu YOLOv5s, YOLOv7-tiny, dan YOLOv8s. Dataset penelitian ini diambil pada kebun sawit dan halaman kampus yang menyerupai lingkungan kebun sawit. Model dilatih dengan menggunakan skenario pelatihan optimisasi parameter batch size, epoch, optimizer, learning rate, weight decay, dan momentum dan kemudian akan diuji dengan metrik evaluasi mAP50 dan mAP50:95. Hasil dari penelitian ini menunjukkan bahwa skenario pelatihan terbaik untuk algoritma YOLOv5s adalah menggunakan batch size 32, epoch 250, optimizer SGD, learning rate 0,01, weight decay 0,0005, dan momentum 0,9. Skenario pelatihan terbaik untuk algoritma YOLOv7-tiny adalah menggunakan batch size 32, epoch 450, optimizer AdamW, learning rate 0,001, weight decay 0,0005, dan momentum 0,9. Lalu, skenario pelatihan terbaik untuk algoritma YOLOv8s adalah menggunakan batch size 32, epoch 500, optimizer Adam, learning rate 0,0001, weight decay 0,0005, dan momentum 0,9. Selanjutnya, berdasarkan hasil pengujian, menunjukkan bahwa YOLOv5s merupakan model paling optimal dalam pendeteksian brondolan dengan nilai AP50 sebesar 0,634, 0,941, dan 0,581 untuk kelas “Daun Kering”, “Brondolan”, dan “Batu” serta AP50:95 sebesar 0,497, 0,658, dan 0,468. Secara keseluruhan, YOLOv5s juga memiliki performa yang unggul dengan nilai mAP50 dan mAP50:95 sebesar 0,718 dan 0,541. YOLOv5s juga memperoleh waktu inferensi sebesar 130,06 ms.