Kamera AI untuk Industri Kelapa Sawit: Grading TBS, Kematangan Buah, dan Loading Ramp

Sortasi TBS Masih Bergantung pada Mata Grader

Di pabrik kelapa sawit (PKS), mutu bahan baku ditentukan saat sortasi tandan buah segar (TBS). Grader menurunkan sebagian tandan dari truk, menilai kematangannya, lalu menghitung potongan timbangan untuk buah mentah, tangkai panjang, atau tandan kosong. Keputusan ini langsung memengaruhi uang yang diterima pemasok dan rendemen minyak pabrik.

Masalahnya, sortasi manual hanya memeriksa sampel, penilaian antar grader berbeda, dan antrean truk di jam sibuk membuat pemeriksaan makin cepat dan longgar. Perselisihan dengan pemasok soal potongan juga sering terjadi karena tidak ada bukti visual yang tersimpan. Kamera AI membantu menilai setiap tandan dengan kriteria yang sama, sekaligus menyimpan foto sebagai bukti. Artikel ini membahas titik inspeksi yang paling berdampak dan batas yang perlu dipahami sejak awal.

Peta Titik Inspeksi di PKS

Polanya mirip dengan sortir hasil pertanian: produk alami yang bentuk dan warnanya tidak pernah persis sama. Bedanya, objeknya besar dan berat, dan lingkungannya terbuka.

Kelas Kematangan yang Bisa Dilatih

Kriteria sortasi umumnya membedakan buah mentah, kurang matang, matang, lewat matang, tandan kosong, tangkai panjang, dan tandan busuk. Kamera AI belajar dari warna kulit buah, jumlah buah yang lepas dari tandan, dan bentuk tangkai. Untuk menilai tiap tandan di lantai sortasi, pakai deteksi objek agar setiap tandan mendapat kotak dan kelasnya sendiri. Perbandingan jenis model ada di memilih jenis model AI visual.

Kunci akurasinya ada di dataset. Ambil foto dari beberapa varietas, kebun, musim, dan jam berbeda, lalu minta grader senior yang memberi label, bukan satu orang saja. Panduan jumlah foto dan konsistensi label ada di dataset & anotasi QC inspection.

Dari Hitungan Kelas ke Potongan Timbangan

Hasil deteksi menghasilkan jumlah tandan per kelas, misalnya 3 mentah, 2 tangkai panjang, 1 tandan kosong dari 60 tandan yang terlihat. Angka ini bisa dikirim ke sistem timbangan atau dashboard lewat rule engine seperti di integrasi AI inspection ke PLC, MES, dan ERP. Rumus potongan tetap mengikuti kebijakan pabrik; kamera hanya menyediakan data yang konsisten dan foto pendukungnya.

Untuk tandan yang ragu, misalnya di batas kurang matang dan matang, alihkan ke grader seperti pola di human-in-the-loop untuk operator QC. Pada awal pemakaian, jalankan kamera berdampingan dengan grader manual dan bandingkan hasilnya per truk.

Lingkungan Lapangan: Hujan, Debu, dan Cahaya Matahari

Lantai sortasi dan loading ramp biasanya semi-terbuka. Cahaya matahari berubah dari pagi ke sore, hujan membuat buah basah dan mengilap, dan getah serta debu menempel di kaca pelindung. Pasang atap atau kanopi di atas area pemotretan, tambahkan lampu agar operasi malam tetap stabil, dan jadwalkan pembersihan kaca setiap shift. Prinsip pencahayaannya ada di panduan pencahayaan camera vision, sedangkan perlindungan perangkat dibahas di smart inspection di lingkungan ekstrem.

Perubahan musim dan pemasok baru bisa menurunkan akurasi pelan-pelan, jadi pantau dengan cara di drift model AI visual.

Batas Jujur yang Perlu Dipahami

Kamera 2D hanya melihat permukaan yang tampak. Di bak truk, tandan di lapisan bawah tidak terlihat, sehingga penilaian di bak hanya gambaran umum; sortasi yang adil tetap butuh tandan dihamparkan. Kadar minyak, asam lemak bebas (ALB/FFA), dan kadar air tetap ranah laboratorium. Warna kulit juga tidak sama antar varietas, jadi model perlu dilatih dengan varietas yang benar-benar masuk ke pabrik Anda. Kamera AI menggantikan penilaian visual yang berulang, bukan analisis mutu minyak.

Ukur keandalannya dengan metrik false reject dan escape, karena di sini kesalahan berarti potongan yang tidak adil bagi pemasok atau rendemen yang turun bagi pabrik.

Mulai dari Lantai Sortasi

Untuk pilot pertama, lantai sortasi biasanya paling cepat memberi hasil: tandan sudah terhampar, grader sudah ada sebagai pembanding, dan dampaknya ke potongan langsung terlihat. Ikuti roadmap pilot project 30 hari, lalu perluas ke loading ramp setelah angkanya stabil.

Nirmana VisionAI berjalan on-premise di jaringan pabrik, mendeteksi dan menghitung objek per kelas secara real-time, dan menyimpan foto beranotasi sebagai bukti untuk setiap keputusan. Lihat paket & edisi Nirmana VisionAI untuk memulai sortasi TBS yang lebih konsisten di PKS Anda.