Minyak kelapa sawit banyak digunakan di berbagai bidang industri baik industri pangan, industri non pangan dan energi. Mengingat potensi industri yang besar ini, tentu akan lebih baik jika didukung oleh proses pengendalian kualitas yang baik dan efisien. Untuk menghasilkan minyak kelapa sawit yang berkualitas dibutuhkan buah kelapa sawit yang matang. Oleh karena itu pemilihan buah kelapa sawit yang matang saat panen merupakan aktivitas yang sangat penting. Biasanya, untuk menentukan kematangan Tandan Buah Kelapa Sawit (TBS) dengan menunggu adanya buah yang rontok atau berdasarkan inspeksi visual dari warna buah mulai dari hitam sampai oranye. Penggunaan metode ini akan mempunyai banyak kelemahan baik dari sisi efisiensi kerja ataupun efektivitas pengamatan, karena menunggu adanya buah rontok dapat menyebabkan penurunan panen, deteksi manual pada pohon yang tinggi dapat menyebabkan kesulitan penglihatan dan akurasi pengamatan. Beberapa penelitian dan usulan model deteksi kematangan TBS telah banyak dilakukan baik dengan menggunakan sensor ataupun dengan menggunakan kecerdasan buatan, namun belum mendapatkan hasil yang memuaskan karena sifat TBS yang kompleks yaitu warna buah yang tidak merata saat masak, ukuran buah sawit yang kecil pada tandan yang besar, tinggi pohon sawit yang tidak merata saat panen serta varietas sawit yang berbeda akan mempunyai karakter yang berbeda. Penelitian yang telah dilakukan sebelumnya kebanyakan menggunakan input gambar (image) dari buah kelapa sawit ataupun gambar dari sensor cahaya yang dipancarkan ke buah kelapa sawit, dengan model ini proses deteksi kematangan dan estimasi produksi tidak dapat dilakukan secara real-time dan efisien. Oleh karena itu pada penelitian ini akan dilakukan permodelan pertanian presisi pasca panen kelapa sawit dengan menggunakan gabungan teknologi terkini yaitu Internet of Things (IoT), Mobile Application, Drone, dan Artificial Intelligence (AI). Penelitian ini akan dilakukan dengan tahapan yaitu pengembangan model deteksi kematangan dan estimasi produksi buah kelapa sawit dengan pendekatan deep learning dan object detection dengan menggunakan YOLO (You Only Look Once) dan SSD (Single Shot Detector). Dalam kegiatan ini akan dikaji beberapa model object detection dan prediksi atau perhitungan tandan buah kelapa sawit yang matang dengan pendekatan deep learning dengan input data video dan gambar. Output yang diharapkan dari kegiatan ini adalah model deteksi kematangan dan penghitung tandan buah masak dengan input video real-time. Selanjutnya akan dilakukan pengembangan model deteksi yang diimplementasikan pada ponsel pintar berbasis Android. Dalam kegiatan ini akan dikaji beberapa model untuk mendapatkan kinerja implementasi model prediksi produksi kelapa sawit dengan menghitung tandan buah kelapa sawit yang masak untuk mendapatkan kinerja yang optimal seperti penggunaan model kuantisasi parameter dengan Tensorflow-Lite. Kemudian tahap terakhir adalah mengintegrasikan model aplikasi ponsel pintar dengan penggunaan Drone dan sensor IOT agar dapat digunakan untuk membantu sensus buah kelapa sawit dengan lebih presisi dan tepat waktu (Pertanian presisi) pada suatu area kebun kelapa sawit. Output dari penelitian ini adalah diperoleh model prediksi produktivitas pasca panen kelapa sawit dalam suatu area tertentu dengan input data video dari drone. Tingkat Kesiapterapan Teknologi (TKT) penelitian adalah Pembuktian konsep fungsi dan/atau karakteristik penting secara analitis dan eksperimental (3) karena metode dan data sudah diketahui namun perlu dibuktikan dengan model nyata yang berkinerja baik.

Tanda Buah Segar Kelapa sawit; Pertanian presisi; Deep Learning; Drone; IOT.

• Dr. Suharjito, S.Si., M.T.

• Dr.rer.nat. Ditdit Nugeraha Utama, S.Kom, MMSI.

• Dr. Muhammad Asrol, S.T.P., M.Si.