SISTEM DETEKSI HAMA PADA TANAMAN JAGUNG (ZEA MAYS) BERBASIS KECERDASAN BUATAN DAN INTERNET OF THINGS (IOT)
Isi Artikel Utama
Abstrak
Deteksi hama jagung secara dini pada perangkat edge sangat penting untuk pertanian presisi. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan sistem klasifikasi hama jagung real-time yang ringan pada Raspberry Pi 4. Metode penelitian melibatkan penggunaan dataset citra dari Kaggle yang difilter menjadi tiga kelas target: ulat grayak, penggerek batang, dan daun sehat. Model Convolutional Neural Network (CNN) ringan, YOLOv8n-cls, dilatih selama 50 epoch menggunakan metode validasi hold-out (80/20) dan augmentasi data dinamis. Model best.pt yang telah dilatih kemudian dikonversi ke format ONNX untuk optimalisasi inferensi CPU. Hasil evaluasi menunjukkan performa akurasi keseluruhan yang sangat tinggi, mencapai ~99% (Top-1) dan 100% (Top-5). Meskipun demikian, analisis confusion matrix mengungkap adanya ketidakseimbangan data (dataset imbalance) yang ekstrem. Model menunjukkan recall 100% pada kelas dominan (ulat grayak, 119 sampel uji), namun performa pada kelas minoritas (daun sehat 85.7% dan penggerek batang 100%) tidak signifikan secara statistik karena jumlah sampel uji yang sangat sedikit (masing-masing 7 dan 1). Sistem ini berhasil diimplementasikan pada Raspberry Pi 4 menggunakan OpenCV dan ONNX Runtime, mencapai latensi inferensi yang rendah (~40-50 ms). Disimpulkan bahwa meskipun model sangat akurat dan cepat dalam mendeteksi ulat grayak, akurasi keseluruhannya bersifat miring (biased) dan diperlukan penambahan data signifikan untuk kelas minoritas agar sistem dapat diandalkan secara penuh di lapangan.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferensi
[1] Badan Pusat Statistik, Statistik Tanaman Pangan Jagung Indonesia 2023, Jakarta: BPS Republik Indonesia, 2023.
[2] J. Liu, X. Wang, and S. Li, “Automatic pest recognition in crop fields using deep convolutional neural networks,” IEEE Access, vol. 7, pp. 124280–124291, 2019, doi: 10.1109/ACCESS.2019.2937852.
[3] A. Kamilaris and F. X. Prenafeta-Boldú, “Deep learning in agriculture: A survey,” Computers and Electronics in Agriculture, vol. 147, pp. 70–90, 2018, doi: 10.1016/j.compag.2018.02.016.
[4] Ultralytics, “YOLOv8: A state-of-the-art real-time object detection system,” Ultralytics Inc., 2023. [Online]. Available: https://docs.ultralytics.com
[5] S. Minaee, N. Kalchbrenner, E. Cambria, N. Nikzad, M. Chenaghlu, and J. Gao, “Image classification using deep learning: A survey,” IEEE Access, vol. 9, pp. 128345–128371, 2021, doi: 10.1109/ACCESS.2021.3113565.
[6] M. P. Mohanty, D. P. Hughes, and M. Salathé, “Using deep learning for image-based plant disease detection,” Frontiers in Plant Science, vol. 7, Art. no. 1419, 2016, doi: 10.3389/fpls.2016.01419.
[7] H. Zhang, M. Wang, and Y. Li, “Edge computing for intelligent agriculture: Opportunities and challenges,” IEEE Internet of Things Journal, vol. 8, no. 18, pp. 14015–14029, 2021, doi: 10.1109/JIOT.2021.3069967.
[8] R. Rosdiana, A. F. Hidayat, and M. Arifin, “Deteksi hama tanaman palawija menggunakan metode Support Vector Machine,” Jurnal Informatika, vol. 15, no. 2, pp. 85–94, 2021.
[9] J. Prasetyo, A. Nugroho, and R. A. Nugraha, “Identifikasi tingkat keparahan penyakit tanaman menggunakan metode Random Forest berbasis citra digital,” Jurnal Sains dan Seni ITS, vol. 8, no. 2, pp. A233–A238, 2019.
[10] L. Atzori, A. Iera, and G. Morabito, “The Internet of Things: A survey,” Computer Networks, vol. 54, no. 15, pp. 2787–2805, 2010, doi: 10.1016/j.comnet.2010.05.010.
[11] D. Sari, A. P. Wibowo, and E. M. Putra, “Sistem pakar diagnosis hama dan penyakit tanaman cabai besar menggunakan metode Dempster–Shafer,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 4, pp. 403–410, 2019.
[12] A. Wihartiko, A. R. Hakim, and Y. A. Pranoto, “Sistem pakar diagnosis penyakit dan hama tanaman teh menggunakan metode Certainty Factor,” Jurnal Rekursif, vol. 9, no. 1, pp. 45–54, 2021.
[13] L. Liakos, P. Busato, D. Moshou, S. Pearson, and D. Bochtis, “Machine learning in agriculture: A review,” Sensors, vol. 18, no. 8, Art. no. 2674, 2018, doi: 10.3390/s18082674.
[14] A. Wolfert, L. Ge, C. Verdouw, and M.-J. Bogaardt, “Big data in smart farming – A review,” Agricultural Systems, vol. 153, pp. 69–80, 2017, doi: 10.1016/j.agsy.2017.01.023.