Identifikasi kualitas tempurung kelapa otomatis
Penelitian ini dikembangkan oleh tim dosen Universitas Widya Nusantara melalui program Penelitian Dosen Pemula BIMA 2025. Fokus penelitian adalah optimisasi model Deep Learning untuk identifikasi kualitas tempurung kelapa sebagai bahan baku produksi arang briket, mengatasi masalah sortir manual yang memakan waktu dan tidak konsisten.
Industri arang briket masih menghadapi kendala besar dalam proses identifikasi kualitas tempurung kelapa yang mempengaruhi efisiensi dan profitabilitas.
Seleksi manual habiskan jam
Biaya tenaga kerja tinggi
Penilaian subjektif
Teknologi AI visi komputer kami memberikan solusi analisis kualitas tempurung kelapa secara real-time dan akurat
Kadar air tinggi, sulit terbakar
Proses pengolahan sulit
Mengandung bahan berbahaya
Kering, bersih, ideal
| Kelas Tempurung Kelapa | Karakteristik Utama | Dampak pada Briket | Catatan/Implikasi Proses |
|---|---|---|---|
| Basah | Kadar air sangat tinggi. | Menurunkan kualitas arang. | Sulit dibakar, waktu pengeringan bertambah; perlu mitigasi kontaminasi. |
| Basah Berserabut | Basah dan banyak serabut menempel. | Arang dan briket kotor, potensi bau. | Memperlambat pengepresan, hasil jadi berdebu. |
| Berserabut | Serabut kelapa masih dominan. | Arang cenderung kotor dan berdebu. | Perlu pemisahan ekstra, menurunkan yield produksi. |
| Bersih | Kering dengan serabut minimal. | Kualitas arang stabil dan optimal. | Ideal untuk produksi cepat dan efisien. |
Upload foto tempurung kelapa → AI analisis kualitas, jumlah, ukuran → Hasil akurat dalam detik
| Kelas | Fitur/Ciri Citra |
|---|---|
| Bersih dan Kering | Kecerahan tinggi, kontras tinggi antara tempurung dan latar belakang, seragam, biasanya tanpa noda atau dengan bercak gelap minimal, tidak ada tekstur serabut. Warna cenderung seragam, coklat muda hingga coklat tua. |
| Berserabut | Tekstur kompleks karena serabut, variasi kecerahan dan kontras. Warna variatif, serabut tampak lebih terang atau gelap dari bagian tempurung lainnya. |
| Basah | Kecerahan rendah pada area basah, kontras lebih rendah antara tempurung dan latar belakang, ada bercak atau noda gelap menunjukkan kelembaban. Bagian basah tampak lebih gelap. |
| Basah + Berserabut (tekontaminasi) | Tekstur sangat kompleks, kecerahan rendah pada area basah, variasi besar dalam kecerahan dan kontras karena serabut dan kelembaban. Warna sangat variatif. |
Tim ahli yang mengembangkan sistem identifikasi kualitas tempurung kelapa berbasis AI
Ketua Pengusul
Dosen Bisnis Digital
Universitas Widya Nusantara
Merancang metodologi AI Computer Vision dan mengkoordinasikan penelitian
Anggota
Dosen Bisnis Digital
Universitas Widya Nusantara
Analisis ekonomi bisnis digital dan kelayakan sistem dalam industri
Anggota
Dosen Bisnis Digital
Universitas Widya Nusantara
Koordinasi pelaksanaan penelitian dan analisis hasil penelitian
Mahasiswa
Bisnis Digital
Universitas Widya Nusantara
Administrasi penelitian dan pengumpulan data di lapangan
Sistem identifikasi otomatis menggunakan dua teknologi Deep Learning terkini: Mask R-CNN dengan integrasi SAHI dan YOLOv11, yang dioptimasi untuk mendeteksi dan mengklasifikasi kualitas tempurung kelapa secara akurat dan cepat. Beberapa fitur unggulan sistem :
Deteksi Otomatis Kualitas Tempurung
Pengukuran Ukuran & Jumlah Real-time
Akurasi Tinggi dengan Konsistensi 95%
Teknologi Deep Learning dengan kombinasi Mask R-CNN dan YOLOv11 yang kami kembangkan memberikan solusi cerdas untuk mengatasi masalah identifikasi kualitas tempurung kelapa secara otomatis, akurat, dan efisien.
Dual Model AI teruji akurat
Proses otomatis dalam detik
Standar penilaian objektif
Platform web user-friendly
Uji sistem identifikasi kualitas tempurung kelapa secara langsung!
Bahasa Indonesia
العربية
简体中文
English
日本語