Electronic Theses and Dissertation

Indonesia merupakan salah satu negara produksi minyak sawit terbesar di dunia, salah satu permasalahan terbesar dalam produksi kelapa sawit ialah pada penyortiran yang masih dilakukan secara manual. penyortiran tbs kelapa sawit yang dilakukan dengan cara konvensional masih terdapat beberapa kelemahan yaitu tenaga grader yang digunakan tidak dapat konsisten bekerja selama proses penyotiran tbs dan kelemahan lainnya ialah tingkat konsentrasi para grader yang dapat menurun saat stamina terkuras, sehingga banyak terjadi kasus tbs yang masih mentah dapat dimasukkan kedalam kategori matang begitupun sebaliknya. beberapa permasalahan diatas dapat membuat peningkatan produktivitas tbs kelapa sawit kurang maksimum. sehingga dengan adanya penelitian ini dapat memudahkan pabrik kelapa sawit dalam meningkatkan produktivitas tbs dengan sistem yang menggunakan penerapan teachable machine. oleh karena itu diperlukan suatu metode klasifikasi tandan buah segar (tbs) kelapa sawit berdasarkan tingkat kematangan nya. tujuan dari penelitian ini adalah mengklasifikasikan tandan buah segar (tbs) kelapa sawit menggunakan teachable machine untuk klasifikasi tbs mentah, setengah matang, dan matang yang lebih akurat. sampel tbs kelapa sawit yang dibutuhkan ialah sebanyak 300 tbs, dimana digunakan untuk data training sebanyak 240 tbs sedangkan untuk data testing sebanyak 60 tbs. pengambilan citra tbs menggunakan kamera smartphone iphone dengan format jpeg. data citra diambil langsung diatas pohon dalam gambar penuh satu tandan dan diambil langsung di areal perkebunan kelapa sawit pt socfindo. data citra diolah menggunakan teachable machine. hasil penelitian ini menunjukkan bahwa pengolahan citra digital menggunakan metode teachable machine dan berdasarkan hasil yang diperoleh dengan 60 data testing terdapat beberapa tbs kelapa sawit yang tidak terklasifikasi dengan benar atau klasifikasi tersebut salah. rata-rata tingkat akurasi yang dihasilkan yaitu sebesar 91,7%, sedangkan tingkat akurasi tertinggi pada klasifikasi tbs mentah yaitu 100%, juga tbs matang sebesar 95%, dan tbs setengah matang sebesar 80%. tbs setengah matang memiliki kesalahan klasifikasi paling besar dikarenakan untuk tbs setengah matang dan tbs matang mempunyai warna yang hampir serupa. sehingga klasifikasi tbs menggunakan metode teachable machine dapat diterapkan untuk mengklasifikasikan tingkat kematangan tandan buah segar (tbs) kelapa sawit. tingkat keberhasilan dari hasil klasifikasi menggunakan metode teachable machine ini sebesar 95,6%.

Indonesia is one of the largest palm oil producing countries in the world, one of the biggest problems in palm oil production is the manual sorting process. Conventional sorting of palm oil FFB still has several weaknesses, namely the grader's energy cannot work consistently during the FFB sorting process and another weakness is the level of concentration of the graders which can decrease when stamina is depleted, so that many cases of unripe FFB can be included in the ripe category and vice versa. Some of the problems above can make the increase in productivity of palm oil FFB less than optimal. so that with this research can facilitate palm oil mills in increasing FFB productivity with a system that uses the application of Teachable Machines. Therefore, a classification method for Fresh Fruit Bunches (FFB) of oil palm is needed based on their level of ripeness. The purpose of this study is to classify Fresh Fruit Bunches (FFB) of oil palm using Teachable Machine for more accurate classification of raw, semi-ripe, and ripe FFB. The required sample of oil palm FFB is 300 FFB, of which 240 FFB are used for training data and 60 FFB are used for testing data. FFB images are taken using an iPhone smartphone camera with JPEG format. The image data is taken directly above the tree in a full image of one bunch and is taken directly in the oil palm plantation area of PT Socfindo. The image data is processed using Teachable Machine. The results of this study indicate that digital image processing using the Teachable Machine method and based on the results obtained with 60 testing data there are several oil palm FFBs that are not classified correctly or the classification is wrong. The average accuracy level produced is 91.7%, while the highest accuracy level in the classification of raw FFB is 100%, also ripe FFB is 95%, and half-ripe FFB is 80%. Half-ripe FFB has the greatest classification error because for half-ripe FFB and ripe FFB have almost the same color. So the classification of FFB using the Teachable Machine method can be applied to classify the ripeness level of Fresh Fruit Bunches (FFB) of oil palm. The success rate of the classification results using the Teachable Machine method is 95.6%.