Deteksi Gulma pada Tanaman Kedelai Menggunakan Deep Learning dengan Apache Spark

Abstract

Gulma adalah tumbuhan yang tidak diinginkan dan tumbuh di lahan pertanian serta bersaing dalam mendapatkan unsur hara, sehingga dapat menurunkan hasil panen. Penelitian ini bertujuan membuat model untuk deteksi gulma pada lahan kedelai. Hasil deteksi gulma digunakan sebagai upaya pengendalian gulma dan pemberian herbisida yang tepat sasaran. Model deteksi gulma dibentuk dengan mengekstrak fitur dari citra menggunakan deep learning dengan membandingkan lima arsitektur CNN (Convolutional Neural Network), yaitu VGG16, VGG19, InceptionV3, Xception, dan ResNet50. Fitur yang dihasilkan selanjutnya dilakukan klasifikasi menggunakan algoritme logistic regression. Penelitian ini dilakukan dengan komputasi secara paralel menggunakan Apache Spark untuk mengolah data berukuran besar dengan kecepatan yang tinggi. Hasil penelitian menunjukkan bahwa secara umum kelima arsitektur CNN dapat mendeteksi gulma dengan baik. Akan tetapi, model terbaik dari segi akurasi, waktu pemrosesan, dan penggunaan memori didapatkan menggunakan arsitektur ResNet50 dengan akurasi sebesar 97.8%. Waktu yang dibutuhkan untuk proses pelatihan yaitu 211.4 detik, dan proses pengujian yaitu 216 detik. Memori yang dibutuhkan dalam proses pelatihan yaitu setiap stage sebesar 39.2 MB dan total sebesar 608.6 MB.