Research on Melon Fruit Selection Based on Rank with YOLOv4 Algorithm

Abstract

Melon is one of the most popular fruits that is exceptionally favoured in Indonesia because it can be consumed directly as fresh fruit or processed as juice or salad. To meet the national market demand, several technologies are used to increase production, one of which is fruit selection. Plants need to be pruned based on fruit size so that fruit quality is maintained. One of the new approaches to detect plant fruits is using deep convolutional neural networks. The goal is to build a melon fruit detection system based on fruit size ranking for selection reliability. Recent work in deep neural networks has developed an excellent object detector, namely the one-stage You Only Look Once (YOLO) algorithm. We used the YOLOv4 model, the fourth generation of YOLO with speed acceleration and detection accuracy better than the previous versions. In addition, eight model schemes were tested with three different hyper-parameters: batch size, iterations, and learning rate. It was found that Scheme G using batch size 64, iterations 2000, and learning rate 0.001 obtained the highest score for both F1-score and mAP with values of 84.47% and 87.68%, respectively. It can be said that the F1-score value is directly proportional to the mAP value.

Pemilihan Algoritma Machine Learning untuk Perangkat dengan Komputasi Terbatas pada Deteksi Kematangan Buah Melon Berjala

“…Pengambilan data dilakukan setiap hari sejak hari tanam ke-45 sampai hari panen (dimulai pukul 09.00 WIB sampai dengan selesai). Merujuk pada penelitian Budiarti et al (2021), tiga buah sudut penangkapan citra diambil untuk setiap satu buah melon. Pertama dari depan buah, kedua dari samping dengan sudut 45°, dan yang terakhir dari samping dengan sudut 90°.…”

“…Pemilihan 60 citra data uji dilakukan secara acak dengan memperhatikan representasi setiap kelas. Merujuk pada penelitian Budiarti et al (2021), pengecilan citra dilakukan dengan merubah ukuran citra menjadi 416 x 416 piksel agar beban komputasi lebih ringan dan seluruh citra memiliki ukuran yang sama. Tahap selanjutnya adalah mentransformasi citra RGB menjadi citra grayscale yaitu dengan menghilangkan informasi warna pada citra dan menggantinya dengan nilai intensitas kecerahan gradasi keabuan yang umumnya berkisar antara 0 (hitam) hingga 255 (putih).…”

“…Proses penentuan kematangan buah melon secara konvensional dapat memakan waktu, membutuhkan keahlian yang tinggi, rentan terhadap kesalahan subjektif, dan memperlambat efisiensi produksi. Dengan demikian dibutuhkan sebuah sistem otomasi deteksi kematangan buah yang bersifat akurat dan cepat yaitu dengan melibatkan robot pengawas pertanian (Budiarti et al 2021). Rangkaian riset pengembangan robot pengawas pertanian (surveillance robot) yang sudah ada diantaranya adalah deteksi kelainan daun tanaman melon menggunakan metode deep learning (Rahmat et al 2022), object detection untuk pruning buah melon (Budiarti et al 2021), dan decision support system untuk deteksi waktu panen pada buah melon dengan menggunakan metode ekstraksi ciri warna kulit buah (AL-dilphi et al 2021).…”

“…Dengan demikian dibutuhkan sebuah sistem otomasi deteksi kematangan buah yang bersifat akurat dan cepat yaitu dengan melibatkan robot pengawas pertanian (Budiarti et al 2021). Rangkaian riset pengembangan robot pengawas pertanian (surveillance robot) yang sudah ada diantaranya adalah deteksi kelainan daun tanaman melon menggunakan metode deep learning (Rahmat et al 2022), object detection untuk pruning buah melon (Budiarti et al 2021), dan decision support system untuk deteksi waktu panen pada buah melon dengan menggunakan metode ekstraksi ciri warna kulit buah (AL-dilphi et al 2021). Dari riset yang sudah ada, dapat dilakukan penelitian lanjutan terkait deteksi waktu panen namun pada kelompok buah melon berjala (C. melo var.…”