Pengembangan Sistem Penyerbuk Kelapa Sawit Berbasis YOLOv11 dengan Monitoring Volume Pollen Secara Real-Time untuk Integrasi pada Drone

Salim, Irfan Qobus (2026) Pengembangan Sistem Penyerbuk Kelapa Sawit Berbasis YOLOv11 dengan Monitoring Volume Pollen Secara Real-Time untuk Integrasi pada Drone. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5027221058-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Penurunan efektivitas penyerbukan alami pada tanaman kelapa sawit akibat berkurangnya populasi Elaeidobius kamerunicus berdampak langsung pada menurunnya produktivitas tandan buah segar. Praktik penyerbukan manual yang saat ini digunakan memiliki keterbatasan dalam konsistensi, efisiensi tenaga kerja, dan ketepatan aplikasi serbuk sari. Penelitian ini mengembangkan sebuah modul penyerbuk otomatis yang dipasang pada drone untuk melakukan penyerbukan kelapa sawit secara mandiri. Modul tersebut terdiri dari tabung penyimpan pollen, katup berbasis servo motor yang mengatur pelepasan serbuk sari, dan kipas peniup (blower) yang mendispersikan pollen ke arah bunga sasaran. Kamera digital menangkap citra bunga secara real-time untuk dianalisis oleh model deep learning. Apabila bunga betina terdeteksi siap diserbuki dan volume pollen dalam tabung mencukupi, sistem secara otomatis membuka katup dan mengaktifkan blower untuk menyemprotkan serbuk sari. Sensor Time of Flight VL53L0X dipasang di atas tabung untuk memantau ketinggian permukaan pollen secara non-kontak sebagai mekanisme verifikasi ketersediaan serbuk sari sebelum setiap siklus aktivasi. Raspberry Pi 5 berperan sebagai unit komputasi tunggal yang menjalankan seluruh proses inferensi model, pembacaan sensor, dan kendali aktuator secara terpadu. Pendekatan YOLOv11 dipilih setelah membandingkan enam varian arsitektur YOLO (YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12, dan YOLO26) berdasarkan akurasi dan kecepatan inferensi pada perangkat edge. Model deteksi dilatih menggunakan dataset 402 citra bunga kelapa sawit yang dianotasi dalam dua kelas (matang dan bukan-matang), kemudian diperkaya melalui augmentasi hingga menjadi 726 citra, dan ditambah 300 citra dari internet sehingga total keseluruhan mencapai 1.026 citra. Hasil pengujian menunjukkan bahwa YOLOv11 dalam format NCNN memberikan performa terbaik, mencatatkan mAP@0.5 sebesar 0,9400 di lingkungan cloud dan 0,9023 pada Raspberry Pi 5 dengan kecepatan inferensi 30,85 FPS dan latensi 32,42 ms. Sensor VL53L0X berhasil membaca volume pollen dengan akurasi ±1 mm setelah penerapan moving average filter. Pengujian sistem terpadu sebanyak 16 siklus menunjukkan tingkat keberhasilan penyerbukan sebesar 70% (11 dari 16 percobaan), dengan rentang jarak efektif penyerbukan pada 10–41 cm dan jarak operasional ideal pada 35 cm, serta sistem berhasil memblok aktivasi secara benar saat volume pollen di bawah ambang batas. Integrasi sistem pada drone DJI Avata 2 berhasil dilakukan dengan total berat sistem 370 gram, dan pengujian terbang pada ketinggian 3 meter menunjukkan hover yang stabil tanpa gangguan pada komponen elektronik.
==================================================================================================================================
The decline in natural pollination efficiency in oil palm plantations due to the decreasing population of Elaeidobius kamerunicus has directly contributed to reduced fresh fruit bunch productivity. Manual pollination practices currently employed face limitations in consistency, labor efficiency, and precision of pollen application. This research developed a drone-mounted automatic pollination module capable of performing oil palm pollination autonomously. The module comprises a pollen reservoir tube, a servo motor-actuated valve that controls pollen release, and a DC blower motor that disperses pollen toward the target flower. A digital camera continuously captures flower imagery for real-time analysis by a deep learning model, when a receptive female flower is detected and sufficient pollen volume is confirmed, the system automatically opens the valve and activates the blower to spray pollen. A VL53L0X Time-of-Flight sensor mounted above the reservoir monitors pollen surface height non-contactly as a pre-activation availability check for each spray cycle. A Raspberry Pi 5 serves as the sole computing unit, running the full inference pipeline, sensor readings, and actuator control in an integrated manner. YOLOv11 was selected after benchmarking six YOLO architecture variants (YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12, and YOLO26) against accuracy and inference speed on the Raspberry Pi 5. The detection model was trained on a dataset of 402 annotated oil palm flower images in two classes (receptive and non-receptive), expanded through augmentation to 726 images, and supplemented with 300 internet-sourced images, reaching a total of 1,026 images. Experimental results demonstrated that YOLOv11 in NCNN format achieved the best overall performance, recording a mAP@0.5 of 0.9400 in the cloud environment and 0.9023 on the Raspberry Pi 5, with an inference speed of 30.85 FPS and a latency of 32.42 ms. The VL53L0X sensor successfully measured pollen volume with an accuracy of ±1 mm after applying a moving average filter. Integrated system testing across 16 trials yielded a 70% pollination success rate (11 out of 16 trials), with the effective pollination range established at 10–41 cm, an ideal operational distance of 35 cm, and the sensor correctly blocking activation in all cases where pollen volume fell below the threshold. Integration of the system onto a DJI Avata 2 drone was successfully achieved with a total system payload of 370 grams, and flight testing at 3 meters altitude demonstrated stable hover without interference to the onboard electronics.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Drone, Kelapa Sawit, Penyerbukan Buatan, Time of Flight, YOLO, Drone, Oil Palm, Artificial Pollination, Time of Flight, YOLO
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Irfan Qobus Salim
Date Deposited:	29 Jul 2026 01:07
Last Modified:	29 Jul 2026 01:07
URI:	http://repository.its.ac.id/id/eprint/138975

Actions (login required)

View Item