Deteksi Wereng Batang Cokelat dengan Model Faster R-CNN dan Efisiensi Pengambilan Contoh Menggunakan Small Area Estimation

Abstract

Pemantauan secara berkala yang merupakan salah satu prinsip pengelolaan hama terpadu (PHT) adalah suatu kegiatan yang dilakukan untuk mendapatkan informasi mengenai jenis, jumlah, maupun fase perkembangan organisme pengganggu tumbuhan (OPT) pada suatu lahan pertanian. Hasil pemantauan dijadikan sebagai dasar pengambilan keputusan dalam kegiatan pengendalian OPT. Tantangan dalam pelaksanaan pengamatan OPT antara lain mencakup jumlah tanaman contoh yang perlu banyak dan area pengamatan yang luas yang menyebabkan bias dalam estimasi OPT. Metode pengamatan baru untuk OPT perlu dirancang untuk meningkatkan efisiensi kegiatan pengamatan OPT. Penelitian ini bertujuan menyusun metode pengamatan OPT menggunakan teknologi object detection dengan model Faster Region based – Convolutional Neural Network (Faster R-CNN) dan teknik small area estimation (SAE) dengan pendekatan kernel. Data pada penelitian ini meliputi data primer berupa citra wereng batang cokelat (WBC) yang diambil di Rumah Kaca Kebun Cikabayan Departemen Proteksi Tanaman dan data sekunder berupa data pengamatan kerapatan populasi WBC di Kabupaten Subang pada bulan Maret – April 2024. Pembangunan model Faster R-CNN dimulai dari pelabelan objek WBC pada citra WBC, pemrosesan awal data, seleksi sampel data untuk training dataset, seleksi kombinasi hyperparameter, dan evaluasi model terbaik. Efisiensi ukuran contoh dalam estimasi kerapatan populasi WBC dilakukan menggunakan metode SAE Kernel, yaitu dimulai dengan mengestimasi kerapatan populasi WBC dengan metode direct estimation pada 100% dari total contoh atau 30 rumpun tanaman padi, melakukan estimasi kerapatan populasi WBC dengan metode SAE Kernel pada 10% - 100% ukuran contoh, dan menghitung nilai relative efficiency (RE). Ukuran contoh terbaik adalah ukuran contoh terkecil dengan nilai RE = 1. Hasil penyusunan model Faster R-CNN menunjukkan bahwa kombinasi hyperparameter yang memberikan performa terbaik adalah batch size = 2, momentum = 0,85, weight decay = 10-5, dan epoch = 12. Model deteksi WBC dengan kombinasi hyperparameter tersebut mampu menghasilkan nilai mAP@0.5 sebesar 87,77% dan mAR@0,5 sebesar 89,12% pada testing dataset. Ukuran contoh optimal dalam estimasi kerapatan WBC menggunakan metode SAE Kernel adalah 20% ukuran contoh metode direct estimation dengan memanfaatkan informasi tambahan berupa ketinggian tempat. Nilai coeffecient of variation (CV) metode SAE Kernel pada ukuran contoh 20% sebesar 3,029% lebih kecil dibandingkan CV metode direct estimation pada 100% ukuran contoh yaitu 12,724%. Model deteksi WBC dengan Faster R-CNN mampu mendeteksi secara baik objek WBC pada gambar dengan nilai mAR@0,5 dan mAR@0,5 lebih dari 87%. Metode SAE Kernel dengan informasi tambahan ketinggian tempat mampu mengefisiensikan ukuran contoh hingga 80% dalam estimasi kerapatan WBC. Integrasi model deteksi menggunakan Faster R-CNN ResNet50 FPN dengan metode SAE kernel berpotensi menciptakan sistem pengamatan OPT yang lebih baik. Otomatisasi penghitungan kerapatan OPT menggunakan model deteksi WBC dan metode SAE kernel mampu menghasilkan estimasi tingkat serangan OPT secara lebih efisien dan akurat.

Regular monitoring, a fundamental principle of integrated pest management (IPM), is conducted to gather information on the type, quantity, and developmental stage of plant pests in agricultural fields. The results of this monitoring serve as the basis for decision-making in pest control activities. Challenges in observing plant pests include the need for many sample plants and extensive observation areas, which can lead to bias in pest estimation. Therefore, a new observation method for plant pests is necessary to enhance the efficiency of monitoring activities. This study aims to develop a plant pest observation method using object detection technology with the Faster Region-based Convolutional Neural Network (Faster R-CNN) model and small area estimation (SAE) techniques with a kernel approach. 1 The data in this study includes primary data in the form of images of brown planthoppers (BPH) taken at the Cikabayan Greenhouse, Department of Plant Protection, and secondary data consisting of BPH population density observations in Subang Regency during March-April 2024. The development of the Faster R-CNN model began with labelling BPH objects in the images, data preprocessing, sample data selection for the training dataset, hyperparameter combination selection, and evaluation of the best model. Sample size efficiency in estimating BPH population density was conducted using the SAE Kernel method, starting with direct estimation of BPH population density on 100% of the total samples or 30 clumps of rice plants, followed by SAE Kernel estimation on 10%-100% of the sample size, and calculating the relative efficiency (RE) value. The optimal sample size is the smallest sample size with an RE value = 1. 2 The results of the Faster R-CNN model development indicate that the hyperparameter combination yielding the best performance includes a batch size of 2, momentum of 0.85, weight decay of 10-5, and 12 epochs. The BPH detection model with these hyperparameters achieved an mAP@0.5 of 87.77% and an mAR@0.5 of 89.12% on the testing dataset. The optimal sample size for estimating BPH density using the SAE Kernel method is 20% of the sample size of the direct estimation method, utilizing additional information such as elevation. The coefficient of variation (CV) of the SAE Kernel method at a 20% sample size is 3.029%, which is smaller than the CV of the direct estimation method at a 100% sample size, which is 12.724%. 3 The BPH detection model using Faster R-CNN effectively detects BPH objects in images with mAR@0.5 and mAP@0.5 values exceeding 87%. The SAE Kernel method, with additional elevation information, efficiently reduces the sample size by up to 80% in estimating BPH density. Integrating a detection model using Faster R-CNN ResNet50 FPN with the SAE kernel method can enhance pest observation systems. Automating pest density calculations with this approach provides more efficient and accurate estimates of pest attack levels.