Sistem Deteksi Penyakit Layu Fusarium pada Bawang Merah (Allium cepa L.) dengan Machine Learning berbasis Citra Multispektral

Abstract

Bawang merah merupakan salah satu komoditas pangan fungsional utama bagi manusia. Dengan meningkatnya permintaan bawang merah, budidaya skala besar harus dikelola secara efisien. Namun, serangan penyakit layu fusarium yang disebabkan oleh jamur Fusarium oxysporum menyebabkan kehilangan hasil panen hingga 50%. Sebagian besar pemantauan penyakit dilakukan secara pengamatan visual yang dinilai tidak efisien dan rawan kesalahan acak. Pengembangan sistem deteksi penyakit bawang merah secara visual dengan mengaplikasikan drone, kamera multispektral, serta model machine learning berpotensi menjadi solusi cepat dan akurat dibandingkan dengan metode konvensional. Penelitian ini bertujuan mengembangkan metode deteksi penyakit layu fusarium bawang merah berbasis drone multispektral menggunakan model machine learning. Penelitian dilakukan pada bulan Januari hingga Juni 2023. Akuisisi dataset tanaman bawang merah berlokasi di Desa Wanasari, Kecamatan Wanasari, Kabupaten Brebes, Jawa Tengah. Pengolahan dataset dan pengembangan model dilakukan di Laboratorium Teknik Bioinformatika, Departemen Teknik Mesin dan Biosistem, Institut Pertanian Bogor. Alat yang digunakan dalam penelitian ini terdiri dari perangkat keras drone DJI Mavic Air, drone Parrot Bluegrass, dan satu set laptop yang dilengkapi bahasa pemrograman Python. Perangkat lunak yang digunakan adalah DJI GO 4 dan Pix4Dcapture untuk akuisisi dataset dari drone, algoritma YOLOv5, modul scikit-learn, Roboflow, Google Colaboratory, Pix4Dmapper, Anaconda3, Jupyter Notebook, Visual Studio Code, QField, dan QGIS untuk analisis dataset dan pengembangan model. Penelitian dibagi menjadi dua tahap yaitu pengembangan model deep learning YOLOv5 dilakukan untuk analisis skala individu dan pengembangan model machine learning: artificial neural network (ANN) dilakukan untuk analisis skala kelompok. Total 140 citra cahaya tampak (RGB) dan total 2.448 citra multispektral telah dikumpulkan. Model deep learning dikembangkan dengan sub model YOLOv5m dan dibagi menjadi 3 kelas (terserang fusarium, bawang merah sehat, dan gulma) sebagai data pelatihan dan validasi. Hasil nilai presisi, recall, mAP@0,5, dan mAP@[0,5:0,95] pelatihan model masing-masing sebesar 55,5%; 54,0%; 48,3%; dan 19,0%. Jika ditambahkan proses pra-pemrosesan dan augmentasi, persentase peningkatan metrik jika dibandingkan dengan model kontrol adalah masing-masing sebesar 2,1%; 4,4%; 5,8%; dan 1,0%. Kinerja model menunjukkan hasil yang baik saat dilakukan pengujian dengan 15 citra. Hasil nilai akurasi pengujian model adalah 92,18%. Model ANN dikembangkan dengan membuat peta multispektral sebagai data input pelatihan, validasi, dan pengujian dan menghubungkannya dengan 48 titik yang menunjukkan tingkat serangan penyakit layu fusarium sebagai data output. Model terbaik dihasilkan oleh kombinasi input spektrum red & near infrared (NIR) dengan struktur neuron model ANN adalah 2 input - 19 hidden layer pertama - 16 hidden layer kedua - dan 1 output, jika diringkas menjadi 2-19-16-1. Berdasarkan hasil pelatihan nilai akurasi nya 68,75% dan untuk hasil pengujian nilai akurasi nya 77,78%. Jika dibandingkan dengan NDVI yang merupakan indeks terbaik untuk memprediksi tingkat serangan fusarium, nilai akurasi nya hanya 65,85%. Model ANN lebih unggul dibandingkan indeks vegetasi dalam memprediksi tingkat serangan penyakit layu fusarium karena model ANN dikembangkan untuk mengoptimalkan nilai-nilai input yang diberikan agar dapat menghasilkan nilai output yang diinginkan.