Implementasi Algoritma Deep Learning Untuk Klasifikasi Sarang Burung Walet Berdasarkan Intensitas Bulu

Abstract

PT Waleta Asia Jaya merupakan salah satu perusahaan yang bergerak di bidang pencucian sarang burung walet di Indonesia. Pada tahun 2023 perusahaan ini memperoleh peningkatan kuota ekspor sarang burung walet hingga 7 kali lipat. Untuk memenuhi kuota tersebut, perusahaan perlu meningkatkan produktivitasnya. Salah satu cara untuk meningkatkan produktivitas perusahaan adalah dengan melakukan automasi pada proses produksi di perusahaan tersebut. Untuk dapat melakukan hal tersebut, mesin-mesin automasi memerlukan kemampuan pengenalan objek sarang burung walet yang mana dikelompokkan menjadi 7 kelas berdasarkan intensitas bulu, yakni BRS, BR, BST, BS, BBT, BB, dan BB2 untuk sarang paling bersih hingga paling banyak bulunya secara berturut-turut. Untuk menjawab tantangan tersebut, pada penelitian ini dilakukan pengembangan beberapa model yang dapat digunakan untuk mesin atau perangkat yang melakukan automasi di PT Waleta Asia Jaya. Model-model yang dirancang pada penelitian ini dibuat dengan memanfaatkan metode Convolutional Neural Network yang dapat mengenali 7 kelas sarang yang telah disebutkan sebelumnya. Model-model yang dibuat adalah model image classification dengan arsitektur yang dirancang pada penelitian ini, model object detection dengan arsitektur MobileNet V2 FPNLite, dan model instance segmentation dengan arsitektur YOLOv8-Seg. Dari hasil evaluasi yang dilakukan menggunakan testing dataset diperoleh hasil yang baik pada ketiga model dengan nilai akurasi untuk model image classification sebesar 92,59%, mAP untuk model object detection sebesar 99,04%, serta mAPbox dan mAPmask untuk model instance segmentation sebesar 99,1% dan 97,9%, secara berturut-turut.

PT Waleta Asia Jaya is one of the companies engaged in the washing of swiftlet nests in Indonesia. In 2023, the company has increased its swiftlet nest export quota by 7 times. To fulfill this quota, the company needs to increase its productivity. One way to increase the company's productivity is to automate the production process. To be able to do this, automation machines need the ability to recognize swiftlet nest objects which are grouped into 7 classes based on feather intensity, namely BRS, BR, BST, BS, BBT, BB, and BB2 for the cleanest to the most heavily feathered nests respectively. To answer these challenges, this research developed several models that can be used for machines or devices that perform automation at PT Waleta Asia Jaya. The models designed in this research were created using the Convolutional Neural Network method capable of recognizing the 7 classes of nests mentioned earlier. The models created are an image classification model with the architecture designed in this research, an object detection model with MobileNet V2 FPNLite architecture, and an instance segmentation model with YOLOv8-Seg architecture. From the evaluation results conducted using the testing dataset, good results were obtained on all three models with accuracy value for the image classification model of 92.59%, mAP for the object detection model of 99.04%, also mAPbox and mAPmask values for instance segmentation model of 99.1% and 97.9%, respectively.