SISTEM DETEKSI DAN ESTIMASI JARAK BRONDOLAN SAWIT MENGGUNAKAN MONOCULAR VISION

Kelapa sawit merupakan komoditas utama dalam perekonomian Indonesia, terutama dalam produksi minyak nabati. Brondolan kelapa sawit yang sering terlepas dari tandannya selama proses panen dapat menimbulkan kerugian produksi dan masalah gulma jika tidak dikutip. Untuk mengatasi hal ini, pengembangan teknologi pengutipan brondolan secara otomatis menjadi sangat penting. Penelitian ini berfokus pada pengembangan sistem deteksi dan estimasi jarak brondolan sawit menggunakan monocular vision sebagai langkah awal dalam menghasilkan robot pengutip brondolan otomatis kedepannya. Tujuan penelitian ini adalah mengembangkan sistem deteksi dan estimasi jarak pada brondolan sawit dengan menggunakan monocular vision. Penelitian ini mengembangkan sebuah sistem deteksi brondolan sawit menggunakan algoritma YOLOv8, dengan dataset yang terdiri dari 204 gambar primer dan 187 gambar sekunder, total 391 gambar untuk proses pelatihan model deteksi objek. Pada tahap pengujian, digunakan 50 video yang diproses dengan model YOLOv8 untuk deteksi dan estimasi jarak brondolan. Penelitian ini mengembangkan sebuah sistem deteksi brondolan sawit menggunakan algoritma deep learning YOLOv8. Dataset yang digunakan untuk training model deteksi ini bersifat primer dan sekunder. Sedangkan metode untuk mengestimasi jarak brondolan sawit yakni Pinhole Camera Model. Berdasarkan hasil penelitian diperoleh hasil training model deteksi YOLOv8 menunjukkan mAP50 (Mean Average Precision) mencapai 97%. Selain itu, analisis hasil confusion matrix menunjukkan bahwa ketinggian kamera 40 cm memberikan performa deteksi yang paling baik dengan akurasi 91,11%. Sedangkan sistem estimasi jarak brondolan sawit menggunakan pinhole camera model dengan menghitung Mean Absolute Error (MAE). Ketinggian kamera 40 cm juga menunjukkan hasil estimasi yang optimal, dengan nilai MAE sebesar 0,46 cm.