Desain dan Implementasi Sistem Embedded Vision untuk Deteksi Bunga Sawit Real-Time

Abstract

Kelapa sawit merupakan komoditas strategis yang produktivitasnya sangat dipengaruhi oleh keberhasilan proses penyerbukan. Namun, pemantauan bunga sawit di lapangan masih banyak dilakukan secara manual, bergantung pada operator terampil, dan sulit diskalakan pada areal tanam yang luas. Penelitian ini mengusulkan dan merealisasikan sistem embedded vision untuk deteksi bunga sawit secara real-time berbasis model object detection YOLO11 yang di-deploy pada perangkat NVIDIA Jetson. Sistem yang dikembangkan terdiri atas sub-sistem akuisisi citra menggunakan kamera RGB yang dipasang di area tajuk, sub-sistem pemrosesan tertanam berbasis Jetson, serta sub-sistem antarmuka untuk visualisasi dan pencatatan hasil deteksi. Dataset citra bunga sawit dibangun secara khusus melalui pengambilan gambar in situ pada berbagai kondisi pencahayaan dan sudut pandang, kemudian dianotasi dalam tiga kelas utama: bunga betina, bunga jantan, dan infloresens umum. Model YOLO11 dilatih menggunakan skema fine-tuning dengan augmentasi data dan dioptimasi ke format TensorRT (FP16/INT8) untuk mempercepat inferensi. Hasil pengujian menunjukkan bahwa model mampu mencapai mAP@0,5 sebesar sekitar 0,90 dan mAP@0,5:0,95 sekitar 0,64 pada data uji, dengan nilai precision dan recall yang tinggi untuk kelas bunga betina dan jantan. Implementasi pada Jetson menghasilkan laju frame di atas 20 FPS dengan konsumsi daya sekitar 11–12 W, sehingga memenuhi kriteria operasi real-time di lapangan. Dengan demikian, sistem embedded vision yang diusulkan berpotensi menjadi komponen kunci dalam otomasi pemantauan bunga sawit dan mendukung perencanaan penyerbukan yang lebih efisien.