SISTEM DETEKSI MUTU TOMAT SECARA REAL TIME MENGGUNAKAN ALGORITMA YOU ONLY LOOK ONCE (YOLOv7)

Deteksi objek secara realtime merupakan hal yang sangat penting dalam bidang computer vision. Akhir-akhir ini, permintaan untuk membuat sistem secara otomatis semakin meningkat. Seiring dengan topik Big Data yang semakin naik, ini membuat dengan mudah untuk mendapatkan data dari berbagai sumber. Banyak teknik pemrosesan data yang mengandung big data, seperti pembelajaran mesin, kecerdasan buatan, data mining, dan lain sebagainya. YOLO merupakan algoritma yang mampu mendeteksi dan mengenali objek secara realtime. YOLO telah mengalami banyak perkembangan arsitektur untuk mempercepat proses deteksi. YOLOv7-tiny arsitektur dengan beban komputasi yang lebih kecil digunakan dalam penelitian ini untuk melihat seberapa baik kinerjanya. banyak juga algoritma yang mendekati realtime yaitu R-CNN, faster R-CNN, dan lain lain. Seiring dengan bertambahnya jumlah penduduk, urbanisasi akan menyebabkan berkurangnya luas lahan pertanian secara bertahap dan tekanan pada sistem pertanian akan terus meningkat. Permintaan akan metode produksi pangan pertanian yang efektif dan aman semakin meningkat. Metode pengelolaan pertanian tradisional harus dilengkapi dengan penginderaan inovatif dan teknologi penggerak dan ditingkatkan teknologi informasi dan komunikasi untuk mempercepat peningkatan produktivitas pertanian secara lebih akurat, sehingga mendorong pengembangan pertanian berkualitas tinggi dan hasil tinggi. Beberapa dekade terakhir, sistem inspeksi visi komputer menjadi alat penting dalam operasi pertanian dan penggunaannya meningkat sangat besar. Sistem pakar dan cerdas berdasarkan algoritma visi komputer menjadi bagian umum dalam manajemen produksi pertanian. Teknologi berbasis otomasi visi komputer dalam pertanian semakin banyak digunakan untuk meningkatkan produktivitas dan efisiensi. Tomat merupakan komoditas perkebunan yang banyak digunakan untuk bahan makanan, kosmetik, sampai obat-obatan. Karena hal itu, perkebunan tomat terus mengalami perkembangan dan menjadi salah satu komoditas ekspor nasional. Untuk mendeteksi mutu tomat, tomat dibagi menjadi 3 kelas yaitu tomat matang, tomat mentah, dan tomat cacat. Hasil dari pelatihan model mendapatkan nilai recall sebesar 0.97 , precision sebesar 1.0 , PR-curve sebesar 0.838 dan F1-score sebesar 0.81 yang berarti bahwa model belajar dengan baik. Hasil pengujian dilakukan dengan dua cara yaitu melalui citra digital dan juga realtime untuk mencari jarak. Hasil dari pada citra asli medapatkan akurasi sebesar 90,6% dengan rata-rata IoU 0.90 dan waktu deteksi 2.7, pada citra dengan gangguan penambahan cahaya mendapatkan nilai rata-rata akurasi sebesar 91.2% , citra dengan gangguan pengurangan cahaya mendapatkan rata-rata akurasi sebesar 92%, dan citra dengan gangguan blur mendapatkan nilai rata-rata akurasi sebesar 78.2%. Dari hasil pengujian tersebut maka model yang telah dibuat mampu bekerja dengan cukup baik. Pada pengujian realtime, tomat matang mampu dideteksi pada maksimal jarak 90cm, tomat mentah 90cm, dan tomat cacat 70cm.