Pendeteksian Gulma pada Tanaman Tebu (Saccharum Officinarum) Berbasis Deep Learning Algoritma Faster R-CNN dan YOLO

Abstract

Pendeteksian Gulma Pada Tanaman Tebu (Saccharum officinarum) Berbasis Deeplearning Algoritma Faster R-CNN dan YOLO; Abdillah Ramadhan, 171710201093; 2022; 68 halaman; Jurusan Teknik Pertanian Fakultas Teknologi Pertanian Universitas Jember. Tebu merupakan salah satu komoditi yang ada dalam subsector perkebunan di Indonesia dan mempunyai posisi yang cukup penting karena kebutuhan penduduk Indonesia akan gula yang berasal dari tebu begitu besar. Faktor penentu dalam menghasilkan gula yang maksimal terdapat masalah yang menghambat budidaya tebu yaitu kompetisi tanaman dengan gulma. Teknologi digital hampir setiap aspek di kehidupan manusia membutuhkan teknologi komputasi guna meringankan pekerjaan manusia. Salah satunya yaitu Artifical Intelligence (AI) biasa disebut kecerdasan buatan. Pada penelitian ini menggunakan teknologi untuk melakukan deteksi gulma yaitu dengan menggunakan metode Deep learning dengan algoritma Faster R-CNN (Faster Region-based Convolutional Neural Network) dan You Only Look Once(YOLO). Faster R-CNN merupakan salah satu metode deep learning yang digunakan untuk mengenali suatu suatu objek pada citra atau permodelan pendeteksian obyek pada gambar. Dengan aristektur ini sistem melalui kerangka proses train terlebih dahulu dengan cara labelling object dan bounding box yang nantinya hasil tersebut disimpen pada format.xml. Pada hasil pelatihan akan digunakan sebagai contoh untuk mengenali objek pada pengolahan menggunakan arsitektur Faster R-CNN. YOLO (You Only Look Once) merupakan salah satu algoritme one-stage object detection. YOLO memiliki kecepatan komputasi yang sangat tinggi dan dapat memproses gambar secara real time. Pada YOLO, komponen-komponen object detection yang terpisah disatukan dalam satu jaringan saraf tiruan. YOLOv5 merupakan model yang termasuk versi ringan serta pemrosesan data paling cepat dibandingkan dengan model lain nya. Yolo menggunakan pendekatan jaringan syaraf tunggal (Single neural network) untuk melakukan pendeteksian objek pada sebuah citra. Tahapan pada arsitektur YOLOv5 terdiri dari input, backbone, neck, dan head (output). Analisis data yang digunakan pada penelitian ini menggunakan uji confusion matrix. Pada analisis data dilakukan untuk melihat kinerja aplikasi yang didapat dari model yang telah dilakukan proses training data sebelumnya. Hasil training data yang diperoleh yaitu berdasarkan parameter precision, recall, accuracy, F1 Score dan mAP (Mean Average Precision). Pada proses data training melalui Average loss Faster R-CNN epoch 1000 tahap train yaitu 0.1574 dan tahap val yaitu 0,1540. Epoch 1500 tahap train 0,1257 dan tahap val 0,1384. Epoch 2000 pada tahap train 0,1531 dan tahap val 0,1438, sedangkan pada model Average loss YOLOv5 pada epoch 1000 tahap train 0,0060 dan tahap val 0,0093. Epoch 1500 pada tahap train 0,0042 dan tahap val 0,0086. Epoch 2000 pada tahap train 0,0034 dan tahap val 0,0087. Pada penelitian ini menganalisis data dengan beberapa parameter yaitu precision, recall, F1 score, accuracy. Pada metode Faster R-CNN epoch 1000 yaitu precision 75%, recall 75%, F1 72%, accuracy 71%. Pada epoch 1500 yaitu precision 63%, recall 68%, F1 64%, accuracy 61%. Pada epoch 2000 yaitu precision 78%, recall 85%, F1 79%, accuracy 77%. Pada model yolov5 epoch 1000 yaitu precision 77%, recall 78%, F1 74%, accuracy 73%. Pada epoch 1500 yaitu precision 79%, recall 90%, F1 81%, accuracy 79%. Pada epoch 2000 yaitu precision 87%, recall 90%, F1 87%, accuracy 86%. Model YOLOv5 dapat mengenali gulma pada tanaman tebu dengan baik dan memiliki tingkat akurasi untuk menebak gulma dengan tingkat presentase yang cukup tinggi.