Bikin Projek AI Untuk Mendeteksi Kematangan Kelapa Sawit

Projek ini bertujuan untuk mengembangkan alat untuk mendeteksi kematangan kelapa sawit. Sistem ini memanfaatkan data foto buah kelapa sawit untuk melihat tingkat kematangannya.

Link

1. Google Colab

2. Showcase Projek

Project Over

view

Proyek ini penting karena:

• Kelapa sawit merupakan komoditas yang sangat besar di Indonesia. Penentuan kematangan kelapa sawit diperlukan untuk menghasilkan produk olahan dengan kualitas yang lebih baik

• Sistem pendeteksi kematangan kelapa sawit otomatis dapat bermanfaat untuk mengefisiensikan proses penyortiran buah.

Business Understanding

Problem Statements

• Bagaimana cara mendeteksi tingkat kematangan buah kelapa sawit?

Goals

• Mengetahui tingkat kematangan buah kelapa sawit berdasarkan foto yang diberikan.

Solution Approach

1. Deep Learning berbasis CNN untuk mengembangkan model pendeteksi kematangan kelapa sawit.

2. Menggunakan Pretrained Model untuk meningkatkan akurasi model.

Data Understanding

Data yang digunakan bersumber dari kaggle: Dataset

import os
import kagglehub

dataset_path = kagglehub.dataset_download("ramadanizikri112/ripeness-of-oil-palm-fruit")

Data Preparation

1. Split data menjadi train, tes, val dengan perbandingan 70:15:15

2. Buat dataset generator untuk memudahkan proses pelatihan menggunakan TensorFlow

3. Hyper parameter yang digunakan adalah sebagai berikut:

   1. batch size = 25

   2. input size = 128,128

   3. rescale = 1/255

   4. zoom range = 1 - 1.2

4. Hyper parameter yang digunakan pada model yang menggunakan Pretrained Layer adalah sebagai berikut:

   1. batch size = 25

   2. input size = 224,224

   3. rescale = 1/255

   4. zoom range = 1 - 1.2

Modeling

Model Building

Model dibuat dalam bentuk CNN dengan 1 convolutional layer.

 Total params: 6,298,115 (24.03 MB)
 Trainable params: 6,297,731 (24.02 MB)
 Non-trainable params: 384 (1.50 KB)

Menggunakan DenseNet sebagai pretrained

 Total params: 8,090,179 (30.86 MB)
 Trainable params: 1,052,675 (4.02 MB)
 Non-trainable params: 7,037,504 (26.85 MB)

Menggunakan InceptionV3 sebagai pretrained

 Total params: 23,904,035 (91.19 MB)
 Trainable params: 2,101,251 (8.02 MB)
 Non-trainable params: 21,802,784 (83.17 MB)

Menggunakan ResNet50V2 sebagai pretrained

 Total params: 25,666,051 (97.91 MB)
 Trainable params: 2,101,251 (8.02 MB)
 Non-trainable params: 23,564,800 (89.89 MB)

Menggunakan Xception sebagai pretrained

 Total params: 22,962,731 (87.60 MB)
 Trainable params: 2,101,251 (8.02 MB)
 Non-trainable params: 20,861,480 (79.58 MB)

Model Training

Training dilakukan dengan menggunakan fungsi optimasi Adam dengan learning rate 1e-6 dan menggunakan fungsi loss categorical crossentropy dengan 30 epoch.

hasil akhir training mendapatkan akurasi 79% dengan val akurasi 77%

Training DenseNet121

Hasil training accuracy: 0.8821 - loss: 0.2886 - val_accuracy: 0.8889 - val_loss: 0.3107

Training InceptionV3

Hasil training accuracy: 0.8741 - loss: 0.2991 - val_accuracy: 0.8068 - val_loss: 0.4314

Training ResNet50V2

Hasil training accuracy: 0.9181 - loss: 0.2595 - val_accuracy: 0.8744 - val_loss: 0.3365

Training Xception

Hasil training accuracy: 0.8521 - loss: 0.3790 - val_accuracy: 0.7971 - val_loss: 0.4718

Evaluation

Hasil evaluasi menggunakan data test didapatkan

Test Loss: 0.5523
Test Accuracy: 0.7874

Uji coba DenseNet121

Test Loss: 0.3291 Test Accuracy: 0.8502

Uji coba InceptionV3

Test Loss: 0.4189 Test Accuracy: 0.8309

Uji coba ResNet50V2

Test Loss: 0.4150 Test Accuracy: 0.8406

Uji coba Xception

Test Loss: 0.4943 Test Accuracy: 0.7874

Kesimpulan

Model CNN dengan 1 layer convolutional berhasil mempelajari tugas dengan akurasi mendekati 79%. Namun penggunaan pretrained layer memberikan hasil yang lebih baik hingga 85% akurasi. Penerapan DenseNet merupakan model dengan performa paling baik dengan total parameter paling kecil yakni sekitar 8 juta parameter. Hal tersebut memberikan keunggulan pada beban proses komoputasi yang lebih ringan dengan hasil yang lebih baik daripada yang lainnya.