Klasifikasi dan Identifikasi Buah Sawit dari Citra Visual dengan Deep Learning CNN

Abstract

Penentuan tingkat kematangan buah kelapa sawit (TBS) secara akurat memegang peranan krusial dalam industri perkebunan, karena secara langsung memengaruhi kualitas dan kuantitas rendemen minyak yang dihasilkan. Namun, praktik di lapangan masih banyak mengandalkan penilaian manual yang bersifat subjektif, tidak konsisten, dan sangat bergantung pada pengalaman individu, yang dapat berujung pada kerugian ekonomi. Untuk mengatasi tantangan ini, penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis tingkat kematangan buah kelapa sawit berdasarkan citra digital menggunakan metode Convolutional Neural Network (CNN). CNN dipilih karena kemampuannya yang unggul dalam mengekstraksi fitur visual kompleks seperti warna, tekstur, dan bentuk tanpa perlu definisi fitur manual. Dataset yang digunakan terdiri dari 600 citra buah kelapa sawit yang dikategorikan menjadi tiga tingkat kematangan: muda, setengah matang, dan matang, dengan masing-masing kelas berjumlah 200 citra. Sebelum pelatihan, citra-citra tersebut melalui tahap pra-pemrosesan, termasuk resizing, normalisasi, dan augmentasi data untuk meningkatkan ketahanan model terhadap variasi. Model CNN kemudian dilatih selama 25 epoch. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi pelatihan di atas 90% dan akurasi validasi rata-rata di atas 75%. Analisis lebih lanjut menunjukkan bahwa kategori 'matang' memiliki performa klasifikasi terbaik, sementara kategori 'setengah matang' menjadi yang paling menantang karena karakteristik visualnya yang berada di fase transisi. Temuan ini membuktikan bahwa CNN efektif untuk klasifikasi kematangan TBS dan berpotensi besar untuk dikembangkan menjadi sistem pendukung keputusan (SPK) berbasis mobile bagi para pemanen, yang pada akhirnya dapat meningkatkan efisiensi dan profitabilitas perkebunan.