ANOTASI CITRA MULTISPEKTRAL UNTUK PEMBANGUNAN DATASET MODEL DETEKSI OBJEK PADA KEMATANGAN TANDAN BUAH SEGAR
KELAPA SAWIT
REPOSITORY
OLEH:
IHSAN OKTA HARMAILIL NIM. 1903110071
PROGRAM STUDI S-1 FISIKA JURUSAN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS RIAU
PEKANBARU 2023
1 ANOTASI CITRA MULTISPEKTRAL UNTUK PEMBANGUNAN DATASET MODEL DETEKSI OBJEK PADA KEMATANGAN TANDAN BUAH SEGAR
KELAPA SAWIT
Ihsan Okta Harmailil, Minarni*
Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Riau, Pekanbaru, Riau, 28293, Indonesia.
*minarni.shiddiq@lecturer.unri.ac.id
ABSTRACT
Computer vision as an object detection method can be used as a basis for automation process of sorting and grading oil palm FFB (Fresh Fruit Bunches). Images annotation are necessary to build datasets hence object detection model can identify object features in images. This study aims to annotate multispectral images of oil palm FFB with 2 categories, namely ripe and unripe FFB. Image acquisition is carried out with LED-based multispectral imaging system. Annotation is done using the python program application, called Labelimg. The number of annotated image data is 60 images consist of 30 images of ripe FFB and 30 images of unripe FFB.
The results of annotation are .txt files contained information about bounding box coordinate, class object, and image dimension.
Keywords : Computer vision, annotation, multispectral images, oil palm FFB ABSTRAK
Computer vision sebagai metode deteksi objek dapat digunakan sebagai dasar automasi proses sortasi dan grading tandan buah segar (TBS) kelapa sawit. Anotasi citra diperlukan dalam membangun dataset agar model deteksi objek dapat mengidentifikasi fitur-fitur objek di dalam citra. Penelitian ini bertujuan untuk menganotasi citra multispektral TBS kelapa sawit dengan 2 kategori yaitu TBS matang dan mentah. Akuisisi citra dilakukan dengan menggunakan sistem pencitraan multispektral. Anotasi dilakukan menggunakan aplikasi program python yang disebut Labelimg. Jumlah data citra yang dianotasi sebanyak 60 citra yang terdiri dari 30 citra TBS matang dan 30 citra TBS mentah. Hasil anotasi berupa file .txt yang berisi informasi mengenai koordinat bounding box, kelas objek, dan dimensi citra.
Kata kunci : Computer vision, anotasi, citra multispektral, TBS kelapa sawit
2 1. PENDAHULUAN
Perkebunan kelapa sawit merupakan salah satu industri yang berperan penting di Indonesia. Industri ini berkontribusi sebesar 15% atau USD 15 miliar pada devisa negara pada tahun 2020 melalui ekspor minyak kelapa sawit. Di samping itu, industri kelapa sawit dari segi impor menyumbang sebesar Rp 38 triliun pada tahun yang sama (Limaho et al., 2022). Jumlah produksi kelapa sawit terus meningkat setiap tahunnya.
Namun potensi besar ini menjadi terhambat dalam sebagian besar proses grading atau penyortiran buah sawit masih dilakukan secara manual dan tradisional dari sistem yang terbatas untuk klasifikasi kematangan TBS (Tandan Buah Segar) kelapa sawit (Herman et al., 2020).
Seiring dengan meningkatnya permintaan CPO (Crude Palm Oil), diperlukan inovasi untuk meningkatkan efisiensi dan efektivitas proses grading dan sortasi TBS.
Metode non-destructive cenderung lebih dikembangkan dalam beberapa penelitian terkait hal ini dengan memanfaatkan analisis citra dan kecerdasan buatan pada kualitas hasil panen (Nasution et al., 2022).
Usaha untuk mewujudkan sistem sortasi pada pertanian yang presisi (smart agriculture) berbasis teknologi terus dilakukan. Tantangan ini dijawab oleh para peneliti salah satunya melalui pengembangan computer
vision dalam mendeteksi objek.
Metode ini sangat andal dalam mendeteksi objek melalui detektor kamera (Khan et al., 2018).
Penelitian ini berfokus pada pembangunan dataset citra multispektral untuk model deteksi objek berbasis computer vision.
Metode ini dinilai mampu memberikan model pendeteksian dengan keakuratan tinggi, prediksi tinggi, dan real- time. Pemograman berbasis python digunakan dalam pengolahan citra TBS untuk mendeteksi dua tingkat kematangan, yaitu mentah dan matang.
2. METODE PENELITIAN Akuisisi Citra
Akuisisi citra merupakan tahap awal dalam membangun model deteksi objek berbasis computer vision.
Akuisisi ini dilakukan dengan cara mengumpulkan citra monokrom TBS dengan dua tingkat kematangan sebagai dasar pembangunan model.
Citra diperoleh dari sistem optik pencitraan multispektral berbasis LED.
Gambar 1. Sistem Pencitraan Multispektral LED
3 Anotasi Citra
Anotasi citra atau pelabelan objek merupakan proses pemberian label kelas berupa bounding box (kotak maya di sekitar objek) pada setiap citra yang telah dikumpulkan pada aplikasi labelimg. Anotasi dilakukan setelah dataset dari proses akusisi berhasil dikumpulkan. Posisi TBS kelapa sawit ditandai dengan bounding box secara manual pada aplikasi tersebut. Setiap citra diberi label dengan dua kelas berbeda matang dan mentah.
3. HASIL DAN PEMBAHASAN 3.1 Hasil Akuisisi Citra
Dataset merupakan data awal berupa citra TBS kelapa sawit mentah dan matang. Pengambilan citra dataset dilaksanakan di Laboratorium Fotonik jurusan fisika FMIPA Universitas Riau. Dalam proses pengambilan citra untuk dataset ini, diperoleh citra TBS matang sebesar 30 buah dan TBS mentah sebanyak 30 buah.
Gambar 2. Citra monokrom TBS Matang dan TBS mentah.
3.2 Hasil Anotasi Citra
Anotasi citra atau pelabelan objek merupakan proses pemberian label kelas berupa bounding box (kotak maya di sekitar objek) secara manual pada setiap citra yang telah dikumpulkan pada aplikasi labelimg.
Proses ini bertujuan memberikan informasi berupa nama kelas dan posisi dalam bentuk bounding box dari objek yang ingin dideteksi. Anotasi citra dibagi menjadi 2 kelas berupa matang dan mentah.
Gambar 3. Proses anotasi citra Hasil anotasi citra yang didapatkan berupa file .txt yang berisikan informasi letak kotak pembatas dan label yang telah diberikan berupa koordinat data lokasi. Data lokasi tersebut terdiri dari nlai Xmax, Xmin, Ymax, dan Ymin (Hamid, 2023).
Gambar 4 menunjukkan hasil file .txt berupa nilai koordinat kotak pembatas.
Gambar 4. Hasil file .txt kelapa sawit matang & kelapa sawit mentah.
4
`Tabel 1. Jumlah Citra Sawit
Kelas Jumlah Anotasi Citra
Sawit matang 30
Sawit Mentah 30
Total 60
Jumlah anotasi yang didapatkan sama dengan jumlah citra sawit yang diambil. Hal ini menunjukkan bahwa setiap satu citra menghasilkan satu file .txt yang berisi informasi mengenai kelas objek, dimensi citra, dan koordinat bounding box pada satu frame TBS kelapa sawit. Jumlah anotasi citra dan hasil output berupa file .txt menjadi dataset untuk membangun model deteksi objek berbasis computer vision ke depannya.
Alur pembangunan model ini dilakukan juga dalam penelitian deteksi sawit cacat menggunakan pencitraan komputer (Hamid, 2023).
4. KESIMPULAN
Hasil penelitian dengan membangun dataset melalui anotasi citra multispektral dapat digunakan untuk data training pada model deteksi objek. Output yang diperoleh dari pembangunan dataset dengan anotasi citra berupa file .txt yang berhasil memberikan informasi mengenai koordinat bounding box, kelas objek, dan dimensi citra. Banyak sampel dan variasi pengambilan citra juga mempengaruhi hasil deteksi. Semakin
banyak variasi sampel dan citra, semakin baik dan akurat hasil deteksi yang akan digunakan nantinya.
5. REFERENSI
Hamid, M. I. (2023) ‘Deteksi Cacat Pada Tandan Buah Segar Kelapa Sawit Menggunakan Pencitraan Komputer Dan Jaringan Syaraf Tiruan’. Skripsi. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Riau:Pekanbaru.
Herman, H. et al. (2020) ‘Oil palm fruit image ripeness classification with computer vision using deep learning and visual attention’, Journal of Telecommunication, Electronic and Computer Engineering (JTEC), 12(2), pp. 21–
27.
Khan, S. et al. (2018) ‘A Guide to Convolutional Neural Networks for Computer Vision’, Synthesis Lectures on Computer Vision, 8(1),
pp. 1–207. doi:
10.2200/s00822ed1v01y201712cov 015.
Limaho, H. et al. (2022) ‘The Need for Global Green Marketing for the Palm Oil Industry in Indonesia’, Sustainability (Switzerland), 14(14).
doi: 10.3390/su14148621.
Nasution, M. A. et al. (2022)
‘Determinasi Nilai RGB dan Grayscale pada Citra Tandan Buah Segar ( TBS ) Kelapa Sawit ( Elaeis guineensis Jacq .) Menggunakan Matlab Determination of RGB and Grayscale Value on Palm Oil ( Elaeis guineensis Jacq .) Fresh Fruit Bunch ( FFB ) Images using Matlan’, J. Pen. Kelapa Sawit.
30(1), pp. 37–48.
