Sistem Pendeteksian Cabang Pohon Sengon Berbasis Artificial Intelligence Dengan Arsitektur YOLOV4
DOI:
https://doi.org/10.32528/elkom.v8i1.3800Keywords:
Artificial Intelligence (AI), Deteksi Objek, Kayu Sengon, YOLOv4Abstract
Pohon sengon sebagai komoditas kehutanan bernilai ekonomis tinggi membutuhkan batang yang lurus dan minim percabangan untuk memenuhi standar industri. Namun secara alami, pohon ini cenderung mengalami percabangan lateral berlebihan yang menyebabkan penurunan kualitas kayu akibat terbentuknya mata kayu dan deformasi batang. Teknik pemangkasan manual yang selama ini digunakan sering kali terlambat mendeteksi pertumbuhan cabang, sehingga cabang sudah terlalu besar saat dipangkas dan mengganggu pertumbuhan batang utama. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan sistem pendeteksian cabang berbasis Artificial Intelligence (AI) menggunakan arsitektur You Only Look Once version 4 (YOLOv4). Sistem ini bertujuan untuk mendeteksi pertumbuhan cabang pohon sengon secara otomatis, sehingga proses pemangkasan dapat dilakukan lebih awal. Hasil pengujian menunjukkan bahwa model YOLOv4 dengan konfigurasi learning rate 0.01, batchsize 64, dan subdivisions 32 mampu mencapai presisi 99% dan recall 99%. Dalam uji realatime, sistem berhasil mendeteksi cabang dengan akurasi sempurna (100%) pada jarak 1–1.5 meter, meskipun akurasinya menurun seiring peningkatan jarak.
References
H. Krisnawati, E. Varis, M. Kallio, and M. Kanninen, Paraserianthes falcataria (L.) Nielsen: Ekologi, silvikultur dan produktivitas. Bogor: Center for International Forestry Research, 2011.
Budiadi, Wiyono, L. D. Lestari, M. Sofiyulloh, and Suyanto, Tumpangsari dan Hutan Rakyat, Dinamika Budidaya Kayu dan Pangan Petani Jawa. Yogyakarta: World Agroforestry (ICRAF), 2023.
N. Kühl, M. Goutier, R. Hirt, and G. Satzger, “Machine Learning in Artificial Intelligence: Towards a Common Understanding,” in Proceedings of the 52nd Hawaii International Conference on System Sciences, 2019.
E. Putra and W. Suartika, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, p. 191064, Mar. 2016.
Q. Aini, N. Lutfiani, H. Kusumah, and M. S. Zahran, “Deteksi dan Pengenalan Objek Dengan Model Machine Learning: Model Yolo,” CESS (Journal Comput. Eng. Syst. Sci., vol. 6, no. 2, p. 192, Jul. 2021.
D. Iskandar Mulyana and M. A. Rofik, “Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5,” J. Pendidik. Tambusai, vol. 6, no. 3, pp. 13971–13982, Jul. 2022.
A. Rohim and R. M. Harmie, “Sistem Pendeteksi Buah Lada Berbasis Convolutional Neural Network (CNN),” Politeknik Manufaktur Negeri Bangka Belitung, 2021.
M. Vakalopoulou, S. Christodoulidis, N. Burgos, O. Colliot, and V. Lepetit, “Deep Learning: Basics and Convolutional Neural Networks (CNNs),” in Machine Learning for Brain Disorders, 2023, pp. 77–115.
R. M. Awangga, R. Andarsyah, and E. C. Putro, Object Detection People With Faster region-Based Convolutional Neural Network(Faster R-CNN), 1st ed. Bandung: Kreatif lndustri Nusantara, 2020.
M. M. Taye, “Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions,” Computation, vol. 11, no. 3, p. 52, Mar. 2023.
C. R. Gunawan, N. Nurdin, and F. Fajriana, “Design of A Real-Time Object Detection Prototype System with YOLOv3 (You Only Look Once),” Int. J. Eng. Sci. Inf. Technol., vol. 2, no. 3, pp. 96–99, Oct. 2022.
Z. S. Jannah and F. A. Sutanto, “Implementasi Algoritma YOLO (You Only Look Once) Untuk Deteksi Rias Adat Nusantara,” J. Ilm. Univ. Batanghari Jambi, vol. 22, no. 3, p. 1490, Oct. 2022.
H.-M. Park and J.-H. Park, “YOLO Network with a Circular Bounding Box to Classify the Flowering Degree of Chrysanthemum,” AgriEngineering, vol. 5, no. 3, pp. 1530–1543, Aug. 2023.
F. H. Awad, M. M. Hamad, and L. Alzubaidi, “Robust Classification and Detection of Big Medical Data Using Advanced Parallel K-Means Clustering, YOLOv4, and Logistic Regression,” Life, vol. 13, no. 3, p. 691, Mar. 2023.
M. Sozzi, S. Cantalamessa, A. Cogato, A. Kayad, and F. Marinello, “Automatic Bunch Detection in White Grape Varieties Using YOLOv3, YOLOv4, and YOLOv5 Deep Learning Algorithms,” Agronomy, vol. 12, no. 2, p. 319, Jan. 2022.
K. M. Ting, “Confusion Matrix,” in Encyclopedia of Machine Learning, Boston, MA: Springer US, 2011, pp. 209–209.
[17] R. Padilla, W. L. Passos, T. L. B. Dias, S. L. Netto, and E. A. B. da Silva, “A Comparative Analysis of Object Detection Metrics with a Companion Open-Source Toolkit,” Electronics, vol. 10, no. 3, p. 279, Jan. 2021.
R. Padilla, S. L. Netto, and E. A. B. da Silva, “A Survey on Performance Metrics for Object-Detection Algorithms,” in 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), 2020, pp. 237–242.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Teknik Elektro dan Komputasi (ELKOM)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
