Deep Learning untuk Deteksi Stomata dan Kelenjar Minyak pada Nilam berbasis Modifikasi Arsitektur YOLOv5

Abstract

Nilam (Pogostemon cablin Benth.) adalah tanaman aromatik bernilai ekonomi tinggi yang digunakan dalam industri parfum, kosmetik, dan obat tradisional. Nilam memiliki keanekaragaman genetik yang rendah karena jarang berbunga. Eksplorasi aksesi dari berbagai daerah dilakukan untuk meningkatkan variabilitas nilam. Aksesi dilakukan karakterisasi dan diseleksi guna memperoleh calon varietas unggul penghasil minyak nilam (patchouli oil) berkualitas tinggi. Parameter yang diamati pada proses seleksi aksesi di antaranya adalah jumlah stomata dan kelenjar minyak pada daun berdasarkan pengamatan mikroskopis. Pengamatan stomata dan kelenjar minyak dilakukan untuk mengetahui karakter anatomi pada aksesi nilam. Metode konvensional untuk menghitung jumlah stomata dan kelenjar minyak masih dilakukan secara manual, yang memakan waktu, kurang presisi, dan rentan terhadap bias. Stomata dan kelenjar minyak pada nilam dapat dideteksi melalui citra mikroskopis. Kualitas citra yang bervariasi seperti batas stomata dan kelenjar minyak yang tidak jelas, objek tertutup oleh objek lain (oklusi), serta kontras rendah dapat meningkatkan kompleksitas deteksi otomatis. Kondisi ini menuntut model mampu mengenali stomata dan kelenjar minyak pada citra kurang ideal, serta berpotensi menimbulkan bias dalam perhitungannya. Oleh karena itu diperlukan pendekatan yang lebih optimal dalam mengekstraksi fitur penting untuk deteksi otomatis stomata dan kelenjar minyak berbasis deep learning. Penelitian ini bertujuan untuk mengembangkan model deteksi stomata dan kelenjar minyak pada nilam berbasis arsitektur YOLOv5 dan menambahkan modul coordinate attention (CA) untuk meningkatkan kinerja model deteksi. Model deteksi stomata dikembangkan dalam satu model baseline tanpa penambahan modul CA, serta empat variasi model dengan integrasi modul CA pada bagian backbone. Model deteksi kelenjar minyak terdiri atas satu model baseline tanpa CA dan dua variasi model dengan penambahan modul CA pada bagian backbone dan neck. Hasil penelitian menunjukkan bahwa integrasi modul CA mampu meningkatkan kinerja deteksi stomata dan kelenjar minyak, termasuk pada citra dengan kualitas tidak ideal. Model baseline deteksi stomata mencapai mAP@0.5 sebesar 91,1% dan F1-score sebesar 89,2%. Model terbaik berbasis CA menunjukkan peningkatan kinerja dengan mAP@0.5 sebesar 95,4% dan F1-score sebesar 92,3%. Peningkatan tersebut ditunjukkan oleh kenaikan mAP@0.5:0.95 sebesar 11,94%, mAP@0.5 sebesar 4,72%, dan F1-score sebesar 3,48%. Model dengan penambahan CA menghasilkan kesesuaian jumlah prediksi stomata sebesar 98,41%, dengan peningkatan sebesar 14,36 poin persentase dibandingkan model baseline. Deteksi kelenjar minyak pada model baseline menghasilkan mAP@0.5 sebesar 74,6% dan F1-score sebesar 71,8%. Model terbaik berbasis CA mencapai mAP@0.5 sebesar 86,1% dan F1-score sebesar 81,1%. Peningkatan kinerja ditunjukkan oleh kenaikan mAP@0.5:0.95 sebesar 27,25%, mAP@0.5 sebesar 15,42%, dan F1-score sebesar 12,95%. Model dengan penambahan CA menghasilkan kesesuaian jumlah prediksi kelenjar minyak sebesar 90,69%, dengan peningkatan sebesar 16,55 poin persentase dibandingkan model baseline. Kebaruan penelitian ini terletak pada pengembangan model deteksi stomata dan kelenjar minyak pada nilam menggunakan YOLOv5 yang diintegrasikan dengan CA, untuk meningkatkan representasi fitur objek kecil yang memiliki batas kurang jelas dan mengalami oklusi. Model integrasi CA dengan posisi yang paling efektif dalam arsitektur YOLOv5 melalui evaluasi beberapa eksperimen penempatan CA, sehingga menghasilkan konfigurasi model yang lebih adaptif terhadap variasi kualitas citra mikroskopis nilam. Dataset citra mikroskopis nilam beranotasi yang dapat menjadi kontribusi bagi pengembangan deteksi objek mikroskopis tanaman. Model yang dikembangkan dapat digunakan sebagai alat bantu analisis untuk mempercepat perhitungan jumlah stomata dan kelenjar minyak pada nilam. Model ini digunakan untuk meningkatkan ketepatan deteksi karakter penting, sehingga mendukung pengambilan keputusan berbasis data. Pengembangan lebih lanjut dapat dilakukan dengan membandingkan berbagai mekanisme attention. Pengujian perlu diperluas pada berbagai varietas nilam dan tanaman penghasil minyak atsiri lainnya. Integrasi parameter morfologi lain di luar stomata dan kelenjar minyak dapat memperkaya pemodelan ideotype varietas unggul nilam. Penelitian lanjutan dapat dikembangkan melalui perhitungan densitas objek per bidang pandang secara otomatis dan diterapkan dalam sistem praktis, seperti aplikasi mobile.