DETEKSI DAN PENGHITUNGAN OTOMATIS POHON LENGKENG MENGGUNAKAN YOLO

*Faishal Irfan Ramadhan  -  Department of Mechanical Engineering, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia
Munadi Munadi  -  Department of Mechanical Engineering, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia
Toni Prahasto  -  Department of Mechanical Engineering, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia

Citation Format:
Abstract

Lengkeng (Dimocarpus Longan Lour) adalah komoditas buah tropis bernilai ekonomi tinggi yang membutuhkan pengelolaan perkebunan secara optimal untuk mendukung produktivitasnya. Penelitian ini memanfaatkan teknologi deep learning dengan model YOLO untuk mendeteksi dan mengklasifikasi pohon lengkeng menggunakan citra drone beresolusi tinggi. Data citra dianotasi melalui platform Roboflow dan digunakan untuk melatih model deteksi. Hasil penelitian menunjukkan bahwa model memiliki akurasi yang tinggi, dengan mAP50 mencapai 0,854 dan mAP50-95 sebesar 0,563. Sistem deteksi ini dirancang untuk mempercepat proses identifikasi dan klasifikasi pohon, sekaligus mengurangi ketergantungan pada tenaga kerja manual. Dengan demikian, metode ini dapat meningkatkan efisiensi operasional, menurunkan biaya tenaga kerja, dan mendukung manajemen perkebunan yang lebih modern dan efektif.

Fulltext View|Download
Keywords: deteksi; lengkeng; penghitungan; yolo
Article Info
Section: Articles
Language : ID
Recent articles
ANALISA PENGARUH VARIASI PENGELASAN FRICTION STIR WELDING PADA MATERIAL AA5083 PENGARUH PERSENTASE KANDUNGAN BIOMASSA SAWDUST PADA CO-FIRING BATU BARA TERHADAP TEMPERATUR GAS BUANG BOILER DETEKSI DAN PENGHITUNGAN OTOMATIS POHON LENGKENG MENGGUNAKAN YOLO More recent articles
  1. Paul, P., Biswas, P., Dey, D., Saikat, A. S. M., Islam, M. A., Sohel, M., ... & Kim, B. (2021). Exhaustive plant profile of “Dimocarpus longan Lour” with significant phytomedicinal properties: A literature based-review. Processes, 9(10), 1803
  2. Irsanti, D., Sasmito, B., & Bashit, N. (2019). Kajian pengaruh penajaman citra untuk penghitungan jumlah pohon kelapa sawit secara otomatis menggunakan foto udara (Studi Kasus: KHG Bentayan Sumatra Selatan). Jurnal Geodesi Undip, 8(1), 428-434
  3. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Convolutional networks. Deep learning, 2016, 330-372
  4. Kakehi, S., Sekiuchi, T., Ito, H., Ueno, S., Takeuchi, Y., Suzuki, K., & Togawa, M. (2021). Identification and counting of Pacific oyster Crassostrea gigas larvae by object detection using deep learning. Aquacultural Engineering, 95, 102197
  5. Patrício, D. I., & Rieder, R. (2018). Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review. Computers and electronics in agriculture, 153, 69-81
  6. Li, D., Sun, X., Elkhouchlaa, H., Jia, Y., Yao, Z., Lin, P., ... & Lu, H. (2021). Fast detection and location of longan fruits using UAV images. Computers and Electronics in Agriculture, 190, 106465
  7. Darmanto, H. (2019). Introduction to fish species based on otolith conformation using the convolutional neural network. Joined Jurnal, 2(1), 41-59
  8. Leriansyah, M., & Kurniawardhani, A. (2020). Klasifikasi dan Perhitungan Kendaraan untuk Mengetahui Arus Kepadatan Lalu Lintas Menggunakan Metode YOLO. AUTOMATA, 1(1)
  9. Jrondi, Z., Moussaid, A., & Hadi, M. Y. (2024). Exploring End-to-End object detection with transformers versus YOLOv8 for enhanced citrus fruit detection within trees. Systems and Soft Computing, 6, 200103
  10. Huang, Y., Qian, Y., Wei, H., Lu, Y., Ling, B., & Qin, Y. (2023). A survey of deep learning-based object detection methods in crop counting. Computers and Electronics in Agriculture, 215, 108425

Last update:

No citation recorded.

Last update:

No citation recorded.