YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi

Abstract

Industri pertanian memiliki berbagai cara dalam memproses produk mulai dari proses bertani hingga ke pemasaran produk. Salah satu proses yang terlibat di dalamnya adalah penyimpanan produk yang belum dipasarkan melalui beberapa media, contohnya karung untuk menyimpan komoditi. Karung memiliki ketahanan tertentu namun juga dapat memiliki kerusakan, baik ketika digunakan secara berlebihan ataupun ketika berada dalam kondisi penyimpanan secara bertumpuk. Guna membantu mengobservasi keadaan karung komoditi pada suatu penyimpanan, penelitian ini menggagas konsep program deteksi objek berupa karung dan lubang kerusakan yang ada pada suatu frame gambar. Penelitian ini mengusung dua metode sebagai perbandingan berupa You Only Look Once (YOLO) versi 4 dan Mask R-CNN. YOLOv4 merupakan metode deteksi objek yang menekankan konsep one-stage object detection dengan keunggulan pada waktu pemrosesan dan akurasi yang dihasilkan. Keluaran YOLOv4 berupa bounding box yang teridentifikasi pada objek. Mask R-CNN menggunakan konsep two-stage object detection dimana selain identifikasi objek dengan menghasilkan bounding box, terdapat masking terhadap objek yang merepresentasikan segmentasi terhadap objek yang dideteksi. Dataset yang digunakan merupakan hasil akuisisi kamera dengan jumlah yang disamakan pada masing-masing algoritma senilai 700 data training, 100 data validasi. Kelas objek yang dideteksi pada penelitian ini yaitu karung dan lubang pada karung. Pengujian terhadap kedua algoritma tersebut dilakukan terhadap sejumlah 20 data uji dengan perbandingan terhadap kalkulasi secara manual oleh mata manusia. Hasilnya didapatkan bahwa model dari YOLOv4 dapat memberikan performa lebih baik dengan akurasi 96,8%, sedangkan model Mask R-CNN mengalami kinerja yang kurang dapat diandalkan dengan akurasi 65,78% pada data uji yang sama

Keywords

• Karung
• Lubang Karung
• Pertanian
• Deteksi Objek
• YOLOv4
• Mask R-CNN