MODEL MACHINE LEARNING UNTUK DETEKSI TINGKAT KEMATANGAN TANDAN BUAH SEGAR KELAPA SAWIT MENGGUNAKAN METODE YOLOV8

Abstract

Kemajuan teknologi informasi membawa banyak perubahan dibidang pertanian. Pemanfaatan teknologi dapat dilakukan pada kelapa sawit untuk mendukung pertaniandi Indonesia. Penelitian ini bertujuan untuk membuat model machine learning untuk deteksi tingkat kematangan Tandan Buah Segar (TBS) kelapa sawit menggunakan model YOLOv8. Model machine learning ini dirancang untuk meningkatkan akurasi dan efisiensi penentuan kematangan buah kelapa sawit, yang sangat penting bagi industri kelapa sawit. Dataset yang digunakan dalam penelitian ini terdiri dari 6592 citra yang dikumpulkan dari platform Roboflow, yang mencakup berbagai tingkat kematangan buah kelapa sawit. Metodologi penelitian yang diterapkan adalah Cross Industry Standard Process for Data Mining (CRISP-DM), yang meliputi tahap pemahaman bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi. Proses pelatihan model machine learning berlangsung selama 3107 jam dengan nilai precision mencapai 0.945, nilai recall mencapai 0.947, dan nilai mean Average Precision (mAP) mencapai 0.98. Model deteksi ini mampu mendeteksi tingkat kematangan kelapa sawit dengan baik yang dibuktikan oleh evaluasi model dengan nilai kurva f1-confidence mencapai 95% serta nilai kurva precision-recall mencapai 98%.