Implementasi Genetic Algorithm pada Sistem Deteksi Brondolan Buah Sawit Menggunakan YOLO

Brondolan buah sawit merupakan buah kaya minyak yang terlepas dari tandan dan jatuh ke tanah karena sudah terlalu matang. Pengutipan brondolan yang masih dilakukan secara manual kurang efisien, menguras biaya, dan tenaga. Efisiensi pengutipan brondolan dapat meningkatkan rendemen minyak hingga 40%, jumlah yang signifikan dibandingkan dengan hanya mengandalkan TBS yang menghasilkan 25% per rasio berat. Oleh karena itu, brondolan harus dikelola dengan baik dan bebas dari kontaminasi agar rendemen minyak tertinggi dapat dicapai dan peluang berkurangnya pendapatan dapat dihindari. Salah satu solusinya adalah dengan pengutipan brondolan secara otomatis. Hal tersebut dapat terwujudkan dengan pemanfaatan robot pengutip brondolan. Robot ini dibekali kemampuan mendeteksi brondolan dengan bantuan algoritma You Only Look Once (YOLO). Penelitian sebelumnya telah mengembangkan sistem deteksi brondolan buah sawit menggunakan YOLOv5s, tapi pencarian hyperparameter masih dilakukan dengan pendekatan manual atau trial & error (TE), sehingga berpotensi belum mencapai performa optimal. Penelitian ini berfokus pada implementasi Genetic Algorithm (GA) untuk meningkatkan performa sistem deteksi brondolan buah sawit menggunakan YOLOv5s. Hyperparameter yang dioptimasi meliputi batch size, optimizer, learning rate, momentum, dan weight decay. Dataset yang digunakan terdiri dari citra brondolan buah sawit, daun kering, batu, atau kobronmbinasi dari ketiganya. Khusus pada data uji, terdapat objek tambahan batu merah yang berfungsi sebagai distractor atau pengecoh. GA diterapkan dengan konfigurasi populasi sebanyak 25 individu, 10 generasi, probabilitas crossover 0,7, probabilitas mutasi yang bersifat adaptif, dan fungsi fitness berdasarkan metrik mAP50-95 pada data validasi. Model hasil optimasi akan diuji performanya menggunakan metrik mAP50-95. Hasil pengujian menunjukkan bahwa dua dari tiga model hasil optimasi GA mengungguli model hasil TE. Model terbaik dicapai oleh GA-3 dengan mAP50 sebesar 0,688 dan mAP50-95 sebesar 0,519, mengungguli TE sebesar 5,15% pada mAP50 (0,655) dan 5,32% pada mAP50-95 (0,493). Model GA-3 memiliki precision tertinggi (0,687) dan recall tertinggi kedua (0,665), yang mana menunjukkan keseimbangan terbaik antara precision dan recall dibandingkan model lainnya. Kombinasi hyperparameter pada model GA-3 adalah batch size 16; optimizer SGD; learning rate 0,049126; momentum 0,651667; dan weight decay 0,000264. Secara komputasi, teknik GA 24,1% lebih efisien daripada pendekatan TE (35,69 jam berbanding 47 jam) meskipun mengeksplorasi 7,6 kali lebih banyak kombinasi. Hasil penelitian ini membuktikan bahwa implementasi Genetic Algorithm dapat meningkatkan performa sistem deteksi brondolan buah sawit dan cenderung lebih baik dari pendekatan trial & error, baik dari segi akurasi maupun efisiensi komputasi.