Perbandingan Performa Algoritme Object Detection untuk Pruning Buah Melon berdasarkan Perankingan pada Perangkat Komputasi Terbatas

Abstract

Melon merupakan salah satu produk buah unggulan di Indonesia. Permintaan terhadap buah ini relatif tinggi karena dapat di komsumsi sebagai buah segar hingga dijadikan sebagai bahan dasar kosmetik dan industri. Usaha yang dilakukan petani untuk meningkatkan dan menjaga kestabilan produksi melon tentunya tidak mudah; diperlukan penanganan intensif melalui perlakuan khusus seperti pruning. Pruning merupakan teknik pemangkasan yang dilakukan untuk mengurangi persaingan antar buah sehingga ukuran dan kualitas buah menjadi optimal. Penurunan jumlah petani usia produktif dan banyak didominasi usia tua sangat mengkhawatirkan sehingga perlu melibatkan robot pertanian dengan metode object detection sebagai teknologinya dalam mengenali buah yang akan dilakukan pruning. Penggunaan teknologi pada bidang pertanian tidak jarang menggunakan perangkat komputasi terbatas untuk menyesuaikan budget dan kondisi lapangan seperti Raspberry Pi. Aspek akurasi dan komputasi yang efisien menjadi trade-off ketika mengimplementasikan algoritme object detection pada perangkat komputasi terbatas. Oleh karena itu, penelitian ini bertujuan untuk menganalisis perbandingan performa algoritme object detection yang diimplementasikan pada Raspberry Pi sebagai perangkat komputasi terbatas untuk mendeteksi dan meranking buah melon yang akan dilakukan pruning. Pada penelitian ini, kelas objek yang dideteksi dibagi menjadi dua kategori yaitu kelas objek melon dan non-melon. Adapun algoritme object detection yang dianalisis pada penelitian ini adalah YOLOv4 dan Faster R-CNN. Hasil penelitian menunjukkan bahwa nilai mAP tinggi ketika mAP50 atau IoU threshold sebesar 0,5 pada masing-masing algoritme. Faster R-CNN memiliki nilai mAP50 tertinggi yaitu 79,40% pada iterasi 10000 dan YOLOv4 memiliki nilai mAP50 sebesar 74,54% pada iterasi 4000. Akan tetapi, YOLOv4 memiliki waktu komputasi 8,45 detik atau 6 kali lebih cepat dari Faster R-CNN. Begitu pula, dari segi pemakaian sumber daya dan nilai loss YOLOv4 juga lebih rendah. Selain itu, hasil deteksi yang dihasilkan YOLOv4 lebih banyak dibanding dengan Faster R-CNN. Oleh karena itu, YOLOv4 sebagai algoritme one-stage direkomendasikan untuk pendeteksi buah melon untuk pruning melalui perankingan pada Raspberry Pi, walaupun dari segi akurasi nilai mAP50 nya lebih rendah ~5% dibandingkan dengan Faster R-CNN.