| dc.description.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. | en_US |
