<![CDATA[Ketidakseimbangan distribusi data merupakan tantangan utama dalam penerapan deteksi objek berbasis deep learning pada lingkungan perkebunan kelapa sawit yang kompleks dan dinamis. Penelitian ini bertujuan untuk menganalisis kinerja model YOLOv12-nano dalam mendeteksi tandan buah kelapa sawit (TBS) dengan kondisi data tidak seimbang pada citra UAV di lingkungan perkebunan nyata. Akuisisi data dilakukan di perkebunan kelapa sawit di Sulawesi Selatan menggunakan drone DJI Neo dengan variasi pencahayaan alami, jarak pandang, dan tingkat oklusi vegetasi. Dataset terdiri dari dua kelas, yaitu tandan matang dan tandan mentah, dengan dominasi kelas tandan mentah. Proses praproses meliputi ekstraksi frame, pembersihan data, anotasi bounding box, resize, pembagian dataset, serta augmentasi data latih. Evaluasi performa dilakukan menggunakan metrik precision, recall, F1-score, serta mean Average Precision (mAP) pada berbagai ambang IoU. Hasil pengujian menunjukkan bahwa model YOLOv12-nano terbaik (best model) mencapai precision sebesar 0,97, recall 0,80, F1-score 0,88, serta mAP@0.5 sebesar 0,88 dan mAP@0.5–0.95 sebesar 0,68. Temuan ini menunjukkan bahwa YOLOv12-nano memiliki kemampuan deteksi yang selektif dan stabil meskipun dihadapkan pada ketidakseimbangan data, serta berpotensi diimplementasikan pada sistem monitoring TBS berbasis UAV dan edge computing secara real-time.]]>
Copyrights © 2025
