ANALISIS KINERJA MODEL YOLOv12 NANO TERHADAP KETIDAKSEIMBANGAN DATA PADA DETEKSI TANDAN KELAPA SAWIT DI LINGKUNGAN PERKEBUNAN
DOI:
https://doi.org/10.30605/dcomputare.v15i2.124Kata Kunci:
visi komputer, deep learning, objek deteksi, kelapa sawit, yoloAbstrak
Ketidakseimbangan distribusi data merupakan tantangan utama dalam penerapan deteksi objek berbasis deep learning pada lingkungan perkebunan kelapa sawit yang kompleks dan dinamis. Penelitian ini bertujuan untuk menganalisis kinerja model YOLOv12-nano dalam mendeteksi tandan buah kelapa sawit (TBS) dengan kondisi data tidak seimbang pada citra UAV di lingkungan perkebunan nyata. Akuisisi data dilakukan di perkebunan kelapa sawit di Sulawesi Selatan menggunakan drone DJI Neo dengan variasi pencahayaan alami, jarak pandang, dan tingkat oklusi vegetasi. Dataset terdiri dari dua kelas, yaitu tandan matang dan tandan mentah, dengan dominasi kelas tandan mentah. Proses praproses meliputi ekstraksi frame, pembersihan data, anotasi bounding box, resize, pembagian dataset, serta augmentasi data latih. Evaluasi performa dilakukan menggunakan metrik precision, recall, F1-score, serta mean Average Precision (mAP) pada berbagai ambang IoU. Hasil pengujian menunjukkan bahwa model YOLOv12-nano terbaik (best model) mencapai precision sebesar 0,97, recall 0,80, F1-score 0,88, serta mAP@0.5 sebesar 0,88 dan mAP@0.5–0.95 sebesar 0,68. Temuan ini menunjukkan bahwa YOLOv12-nano memiliki kemampuan deteksi yang selektif dan stabil meskipun dihadapkan pada ketidakseimbangan data, serta berpotensi diimplementasikan pada sistem monitoring TBS berbasis UAV dan edge computing secara real-time.
Referensi
F. Nurfatriani et al., “Oil Palm Economic Benefit Distribution to Regions for Environmental Sustainability: Indonesia’s Revenue-Sharing Scheme,” Land, vol. 11, no. 9, Sep. 2022, doi: 10.3390/land11091452.
Suharjito, M. Asrol, D. N. Utama, F. A. Junior, and Marimin, “Real-Time Oil Palm Fruit Grading System Using Smartphone and Modified YOLOv4,” IEEE Access, vol. 11, pp. 59758–59773, 2023, doi: 10.1109/ACCESS.2023.3285537.
Y. H. Haw et al., “Detection of Basal Stem Rot Disease Using Deep Learning,” IEEE Access, vol. 11, pp. 49846–49862, 2023, doi: 10.1109/ACCESS.2023.3276763.
M. Grady Naftali, G. Hugo, and Suharjito, “Palm Oil Counter: State-of-the-Art Deep Learning Models for Detection and Counting in Plantations,” IEEE Access, vol. 12, pp. 90395–90417, 2024, doi: 10.1109/ACCESS.2024.3419835.
J. W. Lai, H. R. Ramli, L. I. Ismail, and W. Z. W. Hasan, “Real-Time Detection of Ripe Oil Palm Fresh Fruit Bunch Based on YOLOv4,” IEEE Access, vol. 10, pp. 95763–95770, 2022, doi: 10.1109/ACCESS.2022.3204762.
S. Yao-Say Solomon Adade et al., “Fraud detection in crude palm oil using SERS combined with chemometrics,” Food Chem., vol. 388, p. 132973, Sep. 2022, doi: 10.1016/j.foodchem.2022.132973.
C. Chang, R. Parthiban, V. Kalavally, Y. M. Hung, and X. Wang, “Unharvested palm fruit bunch ripeness detection with hybrid color correction,” Smart Agric. Technol., vol. 9, p. 100643, Dec. 2024, doi: 10.1016/j.atech.2024.100643.
E. Salim and Suharjito, “Hyperparameter optimization of YOLOv4 tiny for palm oil fresh fruit bunches maturity detection using genetics algorithms,” Smart Agric. Technol., vol. 6, p. 100364, Dec. 2023, doi: 10.1016/j.atech.2023.100364.
A. Sopian, K. Seminar, and S. Sudradjat, “System Detection Ripeness of Fresh Fruits Bunch Palm Oil with YOLOv4,” presented at the 12th Annual International Conference on Industrial Engineering and Operations Management, IEOM Society, Mar. 2022. doi: 10.46254/AN12.20221071.
