Pengembangan Sistem Deteksi Rayap Berbasis Sinyal Akustik dan Suhu.

Abstract

Rayap tanah adalah hama yang paling merusak dan serangannya secara signifikan berdampak pada kualitas bangunan kayu. Manajemen rayap mencakup dua bagian: pencegahan dan kontrol. Bagian terpenting dari pengendalian rayap adalah mendeteksi rayap. Namun, karena perilaku samarnya, maka rayap jarang terlihat dari pengamatan visual termasuk kegiatan rayap aktif dan kerusakan kayu yang sedang terjadi. Untuk alasan ini, perlu dikembangkan sistem deteksi rayap sebagai komponen penting pada sistem pengelolaan hama rayap. Perangkat yang ada saat ini dipasaran umumnya berfungsi hanya mendeteksi keberadaan rayap saja. Perbaikan dari sistem deteksi rayap yang diusulkan adalah kemampuan mendeteksi dan memprediksi ukuran populasi rayap. Sistem ini didesain dengan menanamkan sinyal akustik dan suhu dalam teknologi penginderaan. Bahan yang digunakan pada penelitian ini adalah kayu pinus (Pinus merkusii) dengan dimensi 20 × 10 × 2.5 cm dan spesies rayap tanah Coptotermes curvignathus. Selanjutnya, berbagai popopulasi rayap (0, 100, 200, ..., 1000 individu) dimasukkan ke dalam papan pinus untuk aktivitas makan dan dipantau sinyal akustik dan suhunya selama 24 jam. Selama proses akuisisi sinyal, perubahan sinyal dari waktu ke waktu tersimpan secara otomatis pada kartu penyimpan data. Basis data ini sangat berguna untuk mengungkap pola harian rayap dimana pengetahuan ini digunakan dalam pengembangan komputasi lunak dalam sistem. Selanjutnya, paket Boruta digunakan untuk menemukan rangkaian fitur yang relevan pada sinyal akustik dan suhu, yang mampu membedakan berbagai populasi rayap secara signifikan. Fitur-fitur yang relevan ini diusulkan sebagai input ke dalam classifier untuk menghasilkan sebuah model handal yang mampu mendeteksi keberadaan rayap dan memprediksi ukuran populasinya. Berdasarkan analisis sinyal akustik, periode puncak aktivitas harian rayap dapat ditemukan pada 13:00-16:00, sedangkan pada jam 18:00-5:00 mengandung aktivitas rayap yang jauh lebih sedikit. Juga, penelitian ini mengungkapkan bahwa semakin tinggi populasi rayap, semakin hangat suhu papan, karena rayap menghasilkan gas metabolik sebagai hasil metabolisme. Berdasarkan analisis numerik, paket Boruta berhasil menemukan 25 fitur yang relevan, terdiri dari 21 fitur akustik dan 4 suhu. Setelah mengoptimalkan berbagai jenis input, fungsi kernel dan parameter model, classifier dalam sistem deteksi rayap menerapkan algoritma SVc (support vector classification) untuk mendeteksi rayap dan ANN (artificial neural network) untuk memprediksi populasinya. Berdasarkan evaluasi kinerja, sistem yang diusulkan dapat mendeteksi rayap dengan akurasi 93.83% dan dapat memprediksi ukuran populasi dengan root mean square error (RMSE) sebesar 123.828. Hasil keseluruhan menunjukkan bahwa sistem deteksi rayap yang diusulkan dapat digunakan sebagai teknik yang akurat dan non-destruktif dalam sistem manajemen hama rayap. Sistem yang demikian dapat dikembangkan lebih lanjut menjadi perangkat genggam komersial.