Implementasi Algoritma You Only Look Once (Yolo) Pada Wahana Uav Quadrotor Untuk Deteksi Tanaman Kelapa Sawit Secara Real-Time

Pratama, Moh Rizqi Pratama (2025) Implementasi Algoritma You Only Look Once (Yolo) Pada Wahana Uav Quadrotor Untuk Deteksi Tanaman Kelapa Sawit Secara Real-Time. Other thesis, Insistut Teknologi Sepuluh Nopember.

Text 5016211032_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Penurunan efektivitas penyerbukan alami pada kelapa sawit akibat perubahan ekosistem dan penggunaan pestisida menjadi tantangan serius dalam menjaga produktivitas. Pencemaran lingkungan dan penggunaan pestisida yang berlebihan menyebabkan penurunan populasi serangga penyerbuk seperti Elaeidobius kamerunicus, yang merupakan salah satu penyerbuk utama bagi kelapa sawit. Hal ini mengarah pada perlunya penyerbukan manual yang mahal, memakan waktu, dan tidak efisien, serta dapat menyebabkan ketidaktepatan dalam penentuan waktu penyerbukan yang optimal, yang akhirnya berdampak pada kualitas dan rendemen minyak sawit. Untuk mengatasi tantangan ini, penelitian ini berfokus pada pengembangan sistem berbasis drone yang mengintegrasikan algoritma YOLO (You Only Look Once), yang berbasis kecerdasan buatan (AI), pada kamera RGB di drone untuk mendeteksi bagian-bagian tanaman kelapa sawit, seperti kepala putik dan benang sari, secara otomatis. Sistem ini diharapkan dapat meningkatkan efisiensi dan akurasi dalam penentuan waktu penyerbukan, sehingga mengurangi ketergantungan pada tenaga kerja manual dan meningkatkan hasil panen. Penelitian ini bertujuan untuk mengembangkan sistem drone yang mampu mengklasifikasikan objek berbasis AI, menggunakan citra udara yang diambil oleh drone untuk analisis data secara real-time. Penggunaan algoritma YOLO dalam pengolahan citra memungkinkan sistem untuk mendeteksi dan mengklasifikasikan objek dengan cepat dan akurat. Sistem ini tidak memerlukan sensor tambahan seperti kamera multispektral atau LiDAR, yang sering kali mahal dan kompleks, sehingga menjadikannya lebih hemat biaya dan lebih mudah diterapkan dalam skala besar di perkebunan kelapa sawit. Hasil penelitian menunjukkan bahwa model YOLO memiliki akurasi yang memadai dalam mendeteksi bagian tanaman kelapa sawit. Dengan nilai mean Average Precision (mAP) sebesar 72,7%, presisi 59,6%, dan recall 67,7%, model ini berhasil mendeteksi kepala putik dan benang sari dengan tingkat kepercayaan 81% pada streaming video real-time. Sistem ini mampu melakukan analisis secara efisien, memberikan hasil deteksi yang akurat meskipun terdapat tantangan seperti variasi kondisi pencahayaan atau posisi objek.
====================================================================================================================================
The decreasing effectiveness of natural pollination in oil palm due to ecosystem changes and pesticide use presents a significant challenge in maintaining productivity. Environmental pollution and excessive pesticide use have led to a decline in pollinator populations, such as Elaeidobius kamerunicus, which is a primary pollinator for oil palm. This results in the need for costly, time-consuming, and inefficient manual pollination, which may lead to inaccurate timing and subsequently affect the quality and yield of palm oil. To address this challenge, this study focuses on the development of a low-cost drone-based system that integrates the YOLO (You Only Look Once) AI algorithm on an RGB camera to automatically detect parts of the oil palm plant, such as pistils and stamens. This system aims to improve the efficiency and accuracy of pollination timing, reducing dependence on manual labor and increasing yields. The research aims to develop a drone system capable of classifying objects based on AI, utilizing aerial imagery from drones for real-time data analysis. The use of the YOLO algorithm allows the system to detect and classify objects quickly and accurately. This system does not require additional sensors such as multispectral cameras or LiDAR, making it more cost-effective and easier to implement on a large scale in oil palm plantations. The results show that the YOLO model achieved satisfactory accuracy, with a mean Average Precision (mAP) of 72.7%, precision of 59.6%, and recall of 67.7%. The model successfully detected parts of the oil palm plant with 81% confidence in real-time video streaming. This system efficiently analyzes data, providing accurate detection results despite challenges such as variations in lighting conditions or object positioning

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Polinasi Kelapa Sawit, YOLO, Drone, Kecerdasan Buatan (AI), Deteksi Otomatis Oil Palm Pollination, YOLO, Drone, AI, Automatic Detection .
Subjects:	Q Science Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > Q Science (General) > Q337.3 Swarm intelligence Q Science > Q Science (General) > Q337.5 Pattern recognition systems
Divisions:	Faculty of Civil Engineering and Planning > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Moh. Rizqi Pratama
Date Deposited:	28 Jul 2025 03:05
Last Modified:	28 Jul 2025 03:08
URI:	http://repository.its.ac.id/id/eprint/121950

Actions (login required)

View Item