Log Grading Cerdas: Diameter dan Kualitas Log Dinilai Mesin

Apa itu log grading cerdas? Log grading cerdas adalah sistem penilaian diameter dan mutu log otomatis yang memakai machine vision untuk mengenali penampang ujung log dan menghitung diameter lewat algoritma, lalu memilah log ke kelasnya tanpa ukur manual satu per satu.

Sortir log selama puluhan tahun bertumpu pada meteran dan mata. Di Fujian, Cina, log berdiameter kecil menumpuk dan biaya tenaga kerja naik, sementara tuntutan kecepatan makin tinggi. Riset MDPI Forests 2024 merancang line grading dan sortir berbasis machine vision yang menjawab masalah itu dengan angka yang konkret. Error deteksi diameter rata-rata 1,12 mm, akurasi sortir di atas 95 persen, rentang kerja 60 sampai 300 mm untuk diameter dan 2 sampai 6 m untuk panjang, kapasitas tahunan 120.000 sampai 130.000 m3.

Kenapa grading log perlu lepas dari manual

Grading menentukan harga dan rendemen sebelum gergaji pertama. Diameter dan kualitas penampang menentukan kelas log, peruntukan produk, dan harga jual. Bila pengukurannya mengandalkan tangan, variasinya ikut naik. Kelelahan, sudut ukur, dan perbedaan operator menambah selisih. Pada log kecil kesalahan beberapa milimeter terasa. Volume salah hitung, kelas salah masuk, rendemen meleset.

Kondisi yang diteliti di Fujian mewakili banyak tempat lain termasuk sentra kayu rakyat. Log kecil berdiameter di bawah 300 mm dominan, panjang bervariasi, volume besar, tetapi otomasi rendah. Kebutuhan produksi menuntut alur yang terus bergerak. Menahan line untuk ukur manual berarti menurunkan throughput. Inilah alasan riset merancang struktur line yang dibagi menjadi zona feeding, alignment, detection, dan sorting. Pembagian ini bukan kosmetik. Ia mengatur agar log datang dengan posisi yang dapat dibaca kamera, lalu keputusan grading dieksekusi di zona sortir tanpa menghentikan aliran.

Gagasan kuncinya sederhana. Jadikan penilaian diameter sebagai persoalan visi, bukan persoalan meteran. Kamera menangkap penampang ujung log. Model mendeteksi posisi penampang. Algoritma menghitung diameter. Keputusan kelas diambil, aktuator memilah. Fungsi manusia bergeser dari mengukur ke mengawasi.

Cara kerja line berbasis machine vision dan YOLOv5

Arsitektur line disusun menurut kebutuhan produksi. Zona feeding mengatur suplai log ke jalur. Zona alignment meluruskan posisi log agar penampang ujung menghadap kamera dengan konsisten. Zona detection menjadi pusat visi. Zona sorting mengeksekusi pemilahan menurut kelas diameter.

Pada zona detection, sistem memakai model YOLOv5 untuk mengenali posisi penampang ujung log. Pemilihan model ini berkaitan dengan kecepatan deteksi dan akurasi pada objek berukuran kecil sampai menengah di lingkungan industri. Setelah bounding box penampang terkunci, algoritma diameter bekerja menghitung besaran diameter dari citra. Urutan ini penting. Tanpa lokalisasi yang akurat, pengukuran diameter ikut goyah. Riset menegaskan proses operasional dan logika kontrol line diuji sebagai satu kesatuan. Kamera, model, algoritma, dan aktuator sortir tidak diperlakukan sebagai modul terpisah, melainkan sebagai alur keputusan yang harus sinkron dalam sepersekian detik.

Rentang kerja yang dilaporkan memberi gambaran daya jangkau sistem. Diameter 60 sampai 300 mm dan panjang 2 sampai 6 m mencakup sebagian besar log kecil yang lazim di pasaran kayu rakyat dan plantation. Rentang ini relevan karena log kecil justru yang paling sering menimbulkan kerumitan grading. Bentuk tidak selalu bulat sempurna, ujung bisa tidak rata, kulit dan cacat tepi mengganggu pembacaan. Kemampuan sistem mengenali penampang secara stabil di tengah variasi itu menjadi penentu apakah otomasi benar-benar menghemat waktu atau sekadar memindahkan bottleneck.

Riset juga menilai performa dengan tiga ukuran. Akurasi pengenalan diameter, presisi grading, dan efisiensi operasional. Pendekatan ini mencegah angka bagus di satu sisi tetapi jebol di sisi lain. Deteksi diameter boleh akurat, tetapi bila keputusan kelas masih sering salah atau line tidak mampu mengejar target volume, manfaat ekonominya tipis.

Angka kinerja yang tercatat

Hasil uji praktis pada line menunjukkan error absolut deteksi diameter rata-rata 1,12 mm. Untuk konteks produksi, angka ini berada di bawah toleransi yang biasa ditoleransi pada grading manual untuk log kecil. Akurasi sortir tercatat di atas 95 persen. Artinya dari setiap 100 log, kurang dari lima yang salah kelas menurut skema grading yang dipakai pada pengujian.

Kapasitas tahunan yang dicapai adalah 120.000 sampai 130.000 m3. Angka-angka itu menempatkan sistem pada tingkat yang memenuhi kebutuhan industri log kecil bervolume besar, bukan sekadar prototipe meja. Dengan feeding dan alignment yang tertata, sistem dapat memilah log secara otomatis tanpa jeda ukur manual. Kombinasi kecepatan dan akurasi inilah yang diterjemahkan menjadi efisiensi ekonomi. Biaya tenaga untuk ukur dan sortir berkurang, konsistensi kelas naik, sengketa volume antara penjual dan pembeli mengecil.

Batasan tetap ada. Performa 95 persen lebih diukur pada skema grading diameter yang dipakai dalam riset. Grading kualitas yang melibatkan cacat seperti mata kayu, retak ujung, busuk hati, atau lengkung batang membutuhkan model dan sensor tambahan. Diameter saja tidak menjelaskan mutu. Riset ini fokus pada diameter, variabel paling universal dan paling sering menjadi sumber selisih, sehingga hasilnya dapat dipakai sebagai fondasi. Pengembangan lanjutan dapat menambah klasifikasi cacat permukaan dan bentuk batang bila kebutuhan pasar menuntut.

Pelajaran yang dapat ditarik untuk rantai pasok kayu rakyat cukup jelas. Sortir yang konsisten di hulu mengurangi kejutan di hilir. Kelas log yang akurat membantu penggergajian memilih pola potong yang tepat, menaikkan rendemen, dan menekan sisa potong yang tidak perlu. Pada log berdiameter kecil, selisih kelas beberapa sentimeter sudah mengubah keputusan apakah log masuk jalur veneer, papan, atau komponen pendek. Otomasi yang menjaga akurasi di angka 1 mm memberi ruang bagi keputusan itu untuk dibuat lebih cepat dan lebih berulang.

Kesimpulan

Machine vision mengubah grading log dari pekerjaan ukur manual menjadi pekerjaan visi yang terukur. Dengan memakai YOLOv5 untuk lokalisasi penampang ujung dan algoritma diameter untuk perhitungan, line yang diuji di Fujian mencapai error rata-rata 1,12 mm, akurasi sortir di atas 95 persen, untuk log berdiameter 60 sampai 300 mm dan panjang 2 sampai 6 m, dengan kapasitas 120.000 sampai 130.000 m3 per tahun. Angka-angka itu menempatkan sistem pada tingkat yang memenuhi kebutuhan industri untuk log kecil bervolume besar. Untuk konteks kayu rakyat, manfaatnya ada pada konsistensi kelas dan kecepatan alur, yang menjaga rendemen dan mengurangi perselisihan volume.

Pertanyaan Umum (FAQ)

Apa itu log grading dan mengapa diameter jadi kunci?

Log grading adalah pengelompokan log menurut ukuran dan mutu untuk menentukan harga dan peruntukan potong. Diameter adalah variabel paling dasar karena ia menentukan volume dan kelas produk yang dapat dihasilkan dari satu batang.

Apa peran YOLOv5 dalam sistem ini?

YOLOv5 bertugas mendeteksi posisi penampang ujung log pada citra. Setelah posisi terkunci, algoritma menghitung diameter. Tanpa deteksi yang akurat, perhitungan diameter tidak stabil.

Seberapa akurat sistem yang diuji?

Error absolut deteksi diameter rata-rata 1,12 mm dengan akurasi sortir di atas 95 persen pada rentang uji yang dilaporkan.

Apakah sistem ini relevan untuk log jati rakyat yang berdiameter kecil?

Rentang kerja 60 sampai 300 mm mencakup log kecil yang umum di hutan rakyat dan plantation. Prinsipnya dapat diterapkan bila pasokan log kecil bervolume besar dan kebutuhan sortir cepat memang ada.

Apakah grading diameter saja cukup untuk menilai mutu log?

Belum. Diameter menjelaskan ukuran, tetapi mutu juga ditentukan oleh cacat seperti mata kayu, retak, busuk, dan lengkung. Sistem ini dapat menjadi fondasi, lalu dilengkapi modul klasifikasi cacat bila diperlukan.

Artikel ini disusun dari berbagai sumber terpercaya — riset akademik, literatur industri, dan pengalaman workshop — untuk menyebarluaskan informasi yang bermanfaat bagi industri perkayuan.

Sumber Riset

1. Ding, D., Gong, Y., Kong, Q., Zheng, X. (2024). Design and Implementation of an Intelligent Log Diameter Grading and Sorting Line Based on Machine Vision. Forests, 15(2), 387. https://www.mdpi.com/1999-4907/15/2/387