Deteksi Lubang pada Plastik Mulsa Menggunakan Algoritma Template Matching dan Machine Learning

Abstract

Deteksi tanaman sangatlah penting karena memiliki banyak manfaat, baik dalam konteks ilmiah, lingkungan, pertanian, maupun kehidupan sehari-hari. Dengan teknologi yang semakin berkembang, deteksi tanaman dapat dilakukan secara otomatis menggunakan citra drone, citra satelit, kamera, atau perangkat berbasis kecerdasan buatan. Beberapa penelitian telah dilakukan untuk mendeteksi tanaman menggunakan berbasis citra drone menggunakan algoritma template matching, namun masih terbatas pada pohon-pohon berkanopi. Beberapa lahan pertanian telah menggunakan plastik mulsa. Plastik mulsa memiliki lubang-lubang tanaman yang memungkinkan untuk dapat dilakukan pendeteksian. Penggunaan algoritma template matching untuk mendeteksi tanaman berbasis citra drone, masih terdapat kesalahan dalam mendeteksi non-tanaman. Klasifikasi lahan menggunakan algoritma machine learning dapat digunakan untuk memfokuskan area tanaman yang ingin dideteksi. Oleh karena itu, hal tersebut melatarbelakangi peneliti dalam melakukan penelitian terkait deteksi tanaman dengan tujuan membuat model deteksi lubang-lubang pada plastik mulsa berbasis citra drone menggunakan algoritma template matching dan machine learning. Manfaat dari penelitian ini adalah dapat memantau setiap tanaman berdasarkan lubang mulsa, jumlah lubang yang dideteksi dapat digunakan sebagai parameter untuk memperkirakan jumlah produksi panen dan penyemprotan berbasis drone sprayer. Penelitian ini menggabungkan algoritma template matching dan algoritma machine learning dengan proses overlay area untuk meningkatkan akurasi dalam deteksi lubang-lubang pada mulsa. Ada tiga algoritma machine learning yang digunakan sebagai pembanding yaitu random forest, support vector machine, dan XGBoost. Dalam pembuatan model klasifikasi lahan menggunakan algoritma machine learning ini melakukan hyperparameter tuning untuk meningkatkan performa model tersebut. Data yang digunakan adalah citra drone. Dari citra drone dipotong menjadi sembilan area untuk dijadikan sampel penelitian. Hasil penelitian ini mendapatkan rata-rata nilai recall, precision, dan f-measure tertinggi yaitu dari penggabungan algoritma template matching dan algoritma support vector machine dengan nilai recall sebesar 87,7%, precision sebesar 97,7%, dan f-measure sebesar 92,4%. Overlay area dengan algoritma machine learning ini hanya dapat mengurangi kesalahan dalam mendeteksi lubang-lubang pada luar mulsa dan tidak dapat meningkatkan nilai recall.

Deteksi tanaman sangatlah penting karena memiliki banyak manfaat, baik dalam konteks ilmiah, lingkungan, pertanian, maupun kehidupan sehari-hari. Dengan teknologi yang semakin berkembang, deteksi tanaman dapat dilakukan secara otomatis menggunakan citra drone, citra satelit, kamera, atau perangkat berbasis kecerdasan buatan. Beberapa penelitian telah dilakukan untuk mendeteksi tanaman menggunakan berbasis citra drone menggunakan algoritma template matching, namun masih terbatas pada pohon-pohon berkanopi. Beberapa lahan pertanian telah menggunakan plastik mulsa. Plastik mulsa memiliki lubanglubang tanaman yang memungkinkan untuk dapat dilakukan pendeteksian. Penggunaan algoritma template matching untuk mendeteksi tanaman berbasis citra drone, masih terdapat kesalahan dalam mendeteksi non-tanaman. Klasifikasi lahan menggunakan algoritma machine learning dapat digunakan untuk memfokuskan area tanaman yang ingin dideteksi. Oleh karena itu, hal tersebut melatarbelakangi peneliti dalam melakukan penelitian terkait deteksi tanaman dengan tujuan membuat model deteksi lubanglubang pada plastik mulsa berbasis citra drone menggunakan algoritma template matching dan machine learning. Manfaat dari penelitian ini adalah dapat memantau setiap tanaman berdasarkan lubang mulsa, jumlah lubang yang dideteksi dapat digunakan sebagai parameter untuk memperkirakan jumlah produksi panen dan penyemprotan berbasis drone sprayer. Penelitian ini menggabungkan algoritma template matching dan algoritma machine learning dengan proses overlay area untuk meningkatkan akurasi dalam deteksi lubang-lubang pada mulsa. Ada tiga algoritma machine learning yang digunakan sebagai pembanding yaitu random forest, support vector machine, dan XGBoost. Dalam pembuatan model klasifikasi lahan menggunakan algoritma machine learning ini melakukan hyperparameter tuning untuk meningkatkan performa model tersebut. Data yang digunakan adalah citra drone. Dari citra drone dipotong menjadi sembilan area untuk dijadikan sampel penelitian. Hasil penelitian ini mendapatkan rata-rata nilai recall, precision, dan fmeasure tertinggi yaitu dari penggabungan algoritma template matching dan algoritma support vector machine dengan nilai recall sebesar 87,7%, precision sebesar 97,7%, dan f-measure sebesar 92,4%. Overlay area dengan algoritma machine learning ini hanya dapat mengurangi kesalahan dalam mendeteksi lubang-lubang pada luar mulsa dan tidak dapat meningkatkan nilai recall.