| dc.description.abstract | Pemantauan kematangan buah kelapa sawit dapat memberikan informasi untuk menentukan waktu panen yang tepat sehingga dapat meningkatkan kualitas minyak kelapa sawit. Saat ini pemantauan dilakukan secara manual oleh pekerja. Hal ini memiliki kekurangan yaitu memerlukan pekerja yang tidak sedikit dan waktu yang relatif lama. Hasil pemantauan juga cenderung tidak konsisten karena faktor kelelahan pekerja. Pada penelitian ini dikembangkan autonomous mobile robot untuk memantau tingkat kematangan TBS kelapa sawit di lahan. Sensor yang digunakan untuk mendeteksi posisi objek untuk sistem autonomous yaitu Lidar Lite v3. Lidar mampu mendeteksi jarak objek sampai 25 m sehingga mampu mendeteksi setidaknya 4 pohon sawit yang berada di bagian depan robot. Penetuan titik tujuan robot dilakukan menggunakan point-to-go algorithm. Robot dapat melakukan perhitungan titik tujuan dengan nilai error 7.22 cm terhadap sumbu x dan 52.8 cm terhadap sumbu y. Pada posisi titik tujuan tersebut, robot melakukan 2 kali pendeteksian menggunakan kamera yang diarahkan oleh manipulator. Pendeteksian pertama yaitu untuk mencari posisi buah. Pendeteksian kedua yaitu untuk mendeteksi tingkat kematangannya. Citra dari kamera diproses menggunakan model yang dibuat dengan algoritma deep learning pada Tensorflow Framework dan menggunakan Faster R-CNN Model. Model tersebut telah mampu mendeteksi dan membedakan pohon, daun, dan buah sawit dengan akurasi masing-masing 71.01%, 79.63%, dan 72.73%. Model deep learning juga mampu mendeteksi tingkat kematangan yaitu buah hitam, merah, dan brondol dengan akurasi masing-masing sebesar 82.69%, 70.59%, dan 61.11%. | id |
