F14190011 Daniel Marolo Tua Naibaho (Fullteks)

(1)

DEEP LEARNING MODEL UNTUK DETEKSI HAMA **DAN PENYAKIT PADA BUAH KAKAO (Theobroma cacao L.)**

DANIEL MAROLO TUA NAIBAHO

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR BOGOR

2023

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi dengan judul “Deep learning Model Untuk Deteksi dan Hama Penyakit Pada Buah Kakao (Theobroma cacao L.)” adalah karya saya dengan arahan dari dosen pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, Mei 2023 Daniel Marolo Tua Naibaho F14190011

(4)

ABSTRAK

DANIEL MAROLO TUA NAIBAHO. Deep learning Model Untuk Deteksi Hama dan Penyakit Pada Buah Kakao (Theobroma cacao L.). Dibimbing oleh SUPRIYANTO dan SAMSUDIN.

Kakao (Theobroma cacao L.) merupakan salah satu komoditas unggulan Indonesia dari sub-sektor perkebunan dengan jumlah produksi 681,21 ton (2021).

Namun saat ini produktivitas dan kualitas kakao Indonesia mengalami penurunan, akibat penurunan luasan lahan serta ancaman hama dan penyakit yang menyerang.

Penelitian ini bertujuan mengembangkan model deep learning untuk merancang sistem deteksi hama dan penyakit buah kakao. Hasil penelitian diharapkan mempermudah identifikasi hama dan penyakit buah kakao secara cepat dan akurat, serta menyarankan pencegahannya. Algoritma deep learning yang digunakan You Only Look Once (YOLO) yang terdiri dari: YOLOv5, YOLOv7, dan YOLOv8.

Tahapan penelitian terdiri dari: (1) pengumpulan dataset, (2) pelabelan dataset, (3) training dataset, (4) uji model hasil training, dan (5) implementasi model.

Dataset berjumlah 1650 dataset yang terdiri dari 5 kelas (buah sehat, penyakit busuk buah, hama Helopeltis, hama Penggerek Buah Kakao (PBK), serta gabungan penyakit busuk buah dan hama Helopeltis) digunakan untuk membangun model. Dataset dibagi menjadi 70% training, 20% validasi, dan 10%

testing. Akurasi model dengan algoritma YOLOv5, YOLOv7, dan YOLOv8 masing-masing sebesar 87,97%; 89,54 %; dan 91,63%. Nilai presisi yang didapatkan sebesar 72,95%; 75,03 %; dan 82,72%. Sedangkan nilai recall yang didapatkan sebesar 69,98%; 75,79 %; dan 80,10%. Hasil tersebut menunjukkan bahwa model yang dibangun mampu mendeteksi hama dan penyakit dengan akurat dan presisi. Model telah di implementasikan pada platform berbasis web dan dapat digunakan pengguna melalui browser.

Kata kunci: deteksi kakao, hama dan penyakit, sistem pakar, yolo

(5)

ABSTRACT

DANIEL MAROLO TUA NAIBAHO. Deep learning model for detecting pests and diseases on cocoa pods (Theobroma cacao L.). Supervised by SUPRIYANTO and SAMSUDIN.

Cocoa (Theobroma cacao L.) is one of Indonesia's leading commodities from the plantation sub-sector, with a total production of 681.21 tons (2021).

However, the productivity and quality of Indonesian cocoa have decreased due to a decrease in land area and the threat of pests and diseases that attack. This research aims to develop a deep-learning model to design a pest and disease detection system for cocoa pods. The research results are expected to facilitate the identification of pests and diseases in cocoa pods quickly and accurately and suggest their prevention. The deep learning algorithms used You Only Look Once (YOLO) consisting of: YOLOv5, YOLOv7, and YOLOv8. The stages of the research consisted of (1) dataset collection, (2) dataset labeling, (3) dataset training, (4) training model testing, and (5) model implementation. A total of 1650 datasets consisting of 5 classes (healthy fruit, black pod disease, Helopeltis pest, Cocoa Pod Borer (CPB) pest, and a combination of black pod disease and Helopeltis pest) were used to build the model. The dataset is divided into 70%

training, 20% validation, and 10% testing. The model accuracy with the YOLOv5, YOLOv7, and YOLOv8 algorithms was 87.97%; 89.54 %; and 91.63%. The precision value obtained is 72.95%; 75.03 %; and 82.72%. While the recall value obtained is 69.98%; 75.79 %; and 80.10%. These results indicate that the model built can detect pests and diseases with accuracy and precision. The model has been implemented on a web-based platform and can be used by users via a browser.

Keywords: cocoa detection, pests and diseases, expert system, yolo

(6)

© Hak Cipta milik IPB, tahun 2023 Hak Cipta dilindungi Undang-Undang

Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah, dan pengutipan tersebut tidak merugikan kepentingan IPB.

Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB.

(7)

DEEP LEARNING MODEL UNTUK DETEKSI HAMA **DAN PENYAKIT PADA BUAH KAKAO (Theobroma cacao L.)**

DANIEL MAROLO TUA NAIBAHO

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana pada

Program Studi Teknik Pertanian dan Biosistem

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR BOGOR

2023

(8)

Tim Penguji pada Ujian Skripsi:

1 Dr. Ir. Samsudin, M.Si

2 Prof. Dr. Ir. Kudang Boro Seminar, M.Sc.

(9)

(10)

Judul Skripsi : Deep learning Model Untuk Deteksi Hama dan Penyakit Pada Buah Kakao (Theobroma cacao L.)

Nama : Daniel Marolo Tua Naibaho

NIM : F14190011

Disetujui oleh Pembimbing 1:

Dr. Supriyanto, S.TP, M.Kom Pembimbing 2:

Dr. Ir. Samsudin, M.Si NIP. 196805061997031003

Diketahui oleh Ketua Departemen

Teknik Mesin dan Biosistem:

Dr. Ir. Edy Hartulistyoso, M.Sc NIP. 196304251989031001

Tanggal Ujian: 11 Mei 2023 Tanggal Lulus:

(11)

PRAKATA

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2022 hingga bulan Mei 2023 ini ialah sistem deteksi hama dan penyakit tanaman, dengan judul “Deep learning Model Untuk Deteksi Hama dan Penyakit Pada Buah Kakao (Theobroma cacao L.)”.

Skripsi ini tersusun atas bimbingan dan kerja sama dari berbagai pihak selama penulisan, pada kesempatan ini penulis ingin menyampaikan terima kasih penulis ucapkan kepada:

1. Ayah (Chandra), Ibu (Pintauli), Abang (Jimmy), Adik (Yosi, Nelly, Jupela, dan Reynaldi), Nenek serta seluruh keluarga yang selalu memberikan doa, semangat dan kasih sayangnya sehingga penelitian ini dapat diselesaikan, 2. Dr. Supriyanto, S.TP, M.Kom dan Dr. Ir. Samsudin, M.Si selaku dosen

pembimbing tugas akhir yang telah membimbing dan memberikan pengarahan materi maupun rohani kepada penulis sehingga penelitian dapat berjalan dengan lancar,

3. Dr. Tedy Dirhamsyah, S.P., M.A.B selaku Kepala Balai Pengujian Standarisasi Instrumen yang telah memberikan izin dan informasi selama pelaksanaan penelitian di kebun kakao Balai Pengujian Standarisasi Instrumen,

4. Yosephina Sekarsari yang telah banyak membantu, memberikan saran, dan semangat kepada penulis selama penelitian dan penulisan karya tulis ini 5. Saut, Dhikma, Angga, Khansa, dan Maulin yang telah membantu

mengumpulkan informasi data, memberikan saran, serta memberikan semangat selama penelitian berlangsung,

6. Teman-teman seperjuangan Teknik Mesin dan Biosistem angkatan 56 atas semua kebersamaan, hiburan, kebahagiaan, dan semangatnya,

7. Ungkapan terima kasih juga disampaikan untuk seluruh pihak yang telah bersedia memberikan waktu dan bimbingannya untuk membantu penyusunan skripsi ini.

Semoga karya ilmiah ini dapat bermanfaat bagi pihak yang membutuhkan dan bagi kemajuan ilmu pengetahuan.

Bogor, Mei 2023 Daniel Marolo Tua Naibaho

(12)

DAFTAR ISI

DAFTAR TABEL xi

DAFTAR GAMBAR xi

DAFTAR LAMPIRAN xi

I PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Tujuan 2

1.4 Manfaat 2

II TINJAUAN PUSTAKA 3

2.1 Kakao 3

2.2 Hama dan Penyakit Tanaman Kakao 3

2.3 Deep learning 6

2.4 You Only Look Once (YOLO) 6

2.5 Sistem Pakar 9

III METODE PENELITIAN 10

3.1 Waktu dan Tempat 10

3.2 Alat dan Bahan 10

3.3 Prosedur Kerja 11

IV PEMBAHASAN 14

4.1 Pengumpulan Dataset Buah Kakao 14

4.2 Pengolahan Dataset Buah Kakao 15

4.3 Pengembangan Model Deep learning 17

4.4 Evaluasi Kinerja Model Deep learning 20

4.5 Implementasi Model Deep learning 21

V SIMPULAN DAN SARAN 24

5.1 Simpulan 24

5.2 Saran 24

DAFTAR PUSTAKA 26

LAMPIRAN 29

(13)

DAFTAR TABEL

1 Daftar Hama dan Penyakit Buah Kakao yang diteliti 5

2 Alat dan Bahan 10

3 Jumlah dataset yang diolah 14

4 Perbandingan hasil kinerja training dataset pada setiap model 18

5 Confusion matrix pada weight YOLOv5 20

6 Nilai akurasi, presisi, dan recall setiap class pada weight YOLOv5. 21

8 Nilai akurasi, presisi, dan recall setiap class pada weight YOLOv7. 21

10 Nilai akurasi, presisi, dan recall setiap class pada weight YOLOv8. 22 11 Nilai akurasi, presisi, dan recall setiap weight. 22

DAFTAR GAMBAR

1 Buah kakao 3

2 Deep learning (Mouha 2021) 6

3 Arsitektur segmentasi gambar pada algoritma YOLOv5 8 4 Arsitektur segmentasi gambar pada algoritma YOLOv7 8 5 Arsitektur segmentasi gambar pada algoritma YOLOv8 8 6 Lokasi penelitian (a) Badan Standardisasi Instrumen Pertanian Tanaman

Industri dan Penyegar (BSIP-TRI) (b) Fakultas Teknologi Pertanian IPB 10

7 Diagram alir pelaksanaan penelitian 11

8 Dataset yang diolah (a) buah sehat (b) penyakit busuk buah (c) hama helopeltis (d) hama Penggerek Buah Kakao (PBK) (e) gabungan penyakit

busuk buah dan hama helopeltis 15

9 Alur kerja roboflow 17

10 Contoh hasil keluaran training 20

11 Contoh website implementasi hasil deep learning model 22

DAFTAR LAMPIRAN

1 Lampiran 1 Contoh gambar yang digunakan sebagai dataset berdasarkan

kategori hama dan penyakit buah kakao 30

2 Lampiran 2 Grafik kinerja dan confusion matrix tiap weight 31 3 Lampiran 3 Kode program pengembangan model menggunakan notebook

pemrograman google colaboratory 34

4 Lampiran 4 Tampilan website untuk implementasi model deep learning 36

(14)

(15)

1

I PENDAHULUAN

1.1 Latar Belakang

Kakao (Theobroma cacao L.) merupakan salah satu komoditas unggulan Indonesia dari sub-sektor perkebunan. Kakao menjadi salah satu penghasil devisa negara karena merupakan salah satu komoditas ekspor unggulan Indonesia selain sektor minyak dan gas bumi. Menurut Badan Pusat Statistik (BPS 2021), sub- sektor perkebunan memberikan kontribusi sebesar 3,94% terhadap total Produk Domestik Bruto (PDB) dan 29,67% terhadap sektor pertanian. Pada tahun 2021, produksi kakao nasional mencapai 686,44 ribu ton untuk perkebunan rakyat dan 1,77 ribu ton untuk perkebunan besar negara dan swasta. Luasan perkebunan kakao di Indonesia adalah 1.497.467 ha yang terdiri dari perkebunan rakyat seluas 1.478.777 ha (98%), perkebunan negara seluas 7.624 ha (1%), dan perkebunan swasta seluas 11.067 ha (1%) (Ditjenbud 2021). Pada umumnya, buah kakao diolah menjadi tiga produk olahan akhir seperti lemak kakao, bubuk kakao dan, makanan berbahan cokelat (Aptriani et al. 2013). Disamping bernilai ekonomis, kakao juga memiliki manfaat dalam bidang kesehatan, karna mengandung antioksidan berupa fenol dan flavonoid yang berkhasiat meningkatkan kekebalan tubuh pada manusia (Sumpala dan Sutoyo 2018).

Produktivitas dan kualitas kakao Indonesia saat ini sedang mengalami penurunan. Penurunan ini disebabkan oleh banyak faktor, seperti pengelolaan kebun, luasan lahan yang berkurang, minimnya informasi mengenai tanaman kakao, dan lain sebagainya. Salah satu faktor terbesar penyebab penurunan produktivitas dan mutu kualitas cokelat adalah serangan dan ancaman hama dan penyakit yang menyerang buah kakao (Lestari 2018). Oleh karena itu, perlu dilakukan upaya penanganan hama dan penyakit yang terstruktur dengan menggunakan Good Agriculture Practices (GAP) (Armaniar et al. 2019).

Penanganan hama dan penyakit buah kakao dapat dilakukan secara mekanis maupun menggunakan pestisida kimia organik atau sintetis. Keberhasilan upaya pengendalian hama dan penyakit buah kakao ditentukan oleh kesesuaian pilihan teknologi pengendalian yang digunakan dengan kondisi hama dan penyakit yang ada di lapangan. Oleh karena itu, dibutuhkan metode yang mudah untuk melakukan proses deteksi hama dan penyakit dengan cepat dan akurat.

Metode pengenalan hama dan penyakit pada buah kakao dapat dilakukan dengan menggunakan teknologi machine vision. Metode ini kemudian dilengkapi algoritma cerdas deep learning yang berfungsi untuk membantu teknologi mengidentifikasi objek secara otomatis. Metode ini mampu mengimplementasikan model deep learning pada perangkat mobile atau komputer untuk dapat mengidentifikasi secara langsung di lapangan. Terdapat beberapa penelitian terdahulu yang melakukan pemanfaatan deep learning untuk identifikasi beragam citra pada beberapa jenis tanaman. Salah satunya, penelitian dari Tasmara (2022)

(16)

2

yang melakukan rancang bangun detektor viabilitas benih cabai dengan memanfaatkan deep learning model. Selain itu, penelitian Purwansya (2022) juga memanfaatkan model deep learning berbasis unnamed aerial vehicle (UAV) untuk mendeteksi tingkat keberhasilan pertumbuhan tanaman padi. Secara spesifik, beberapa penelitian telah dilakukan pada tanaman kakao, seperti Alim et al.

(2020) yang melakukan perancangan sistem pakar diagnosa penyakit tanaman kakao. Selanjutnya, penelitian Sumpala dan Sutoy (2018) memanfaatkan metode deep learning model dalam mengidentifikasi hama dan penyakit tanaman kakao.

Penelitian terkini dilakukan oleh Kumi et al. (2022) yang memanfaatkan algoritma deep learning untuk melakukan deteksi penyakit pada kakao berbasis aplikasi smartphone.

Berdasarkan penelitian terdahulu diharapkan algoritma deep learning dapat dimanfaatkan dalam membantu proses identifikasi hama dan penyakit pada buah tanaman kakao. Pengembangan perangkat deteksi hama dan penyakit kakao secara spesifik lokasi di Indonesia masih perlu dikembangkan. Peningkatan produksi hasil pertanian dapat dilakukan dengan memanfaatkan kemajuan teknologi (Suherlina 2020). Oleh karena itu, hasil penelitian ini diharapkan dapat menjadi konsultan pengendalian hama dan penyakit pada pengguna.

1.2 Rumusan Masalah

Identifikasi dan pengendalian hama dan penyakit menjadi hal yang penting dalam pertumbuhan tanaman kakao. Identifikasi hama dan penyakit yang salah dan terlambat dapat sangat mempengaruhi keberhasilan upaya pengendalian hama dan penyakit di lapangan. Oleh karena itu, diperlukan proses identifikasi yang cepat dan tepat dalam mengenali ciri-ciri fisik secara visual. Pemanfaatan machine vision berbasis deep learning dapat membantu mengidentifikasi hama dan penyakit buah kakao lebih akurat dan presisi. Model kemudian diintegrasikan dengan informasi terkait pencegahan dan pengendalian hama dan penyakit pada buah kakao.

1.3 Tujuan

Tujuan dari penelitian ini yaitu:

1. Merancang sistem deteksi hama dan penyakit buah kakao dengan algoritma deep learning.

2. Mengintegrasikan hasil identifikasi dengan sistem pakar dengan informasi pencegahan dan pengendalian hama dan penyakit buah kakao.

1.4 Manfaat

Manfaat dari penelitian ini adalah memberikan kemudahan bagi pelaku usaha, petani, dan peneliti kakao dalam mengidentifikasi jenis hama dan penyakit buah kakao secara cepat dan akurat, serta mengetahui informasi dan teknik pencegahannya.

(17)

3

II TINJAUAN PUSTAKA

2.1 Kakao

Kakao (Theobroma cacao L.) merupakan komoditas andalan perkebunan Indonesia. Peranannya dalam perekonomian negara cukup penting dan krusial karena memiliki nilai ekonomis yang tinggi (Prasetyawan et al. 2021). Indonesia adalah penghasil kakao terbesar ketiga dunia dengan kontribusi sebesar 13% dari kebutuhan kakao dunia (Priyambodo et al. 2020). Hal tersebut didukung oleh lokasi geografis Indonesia yang sesuai untuk budidaya kakao (Lestari et al. 2021).

Hal ini menyebabkan banyak petani di Indonesia membudidayakan tanaman kakao (Rossi et al. 2017). Kakao menjadi primadona para petani perkebunan karena dapat berbuah sepanjang tahun, sehingga dapat menjadi pemasukan ekonomi tetap bagi para petani di Indonesia (Samsugi et al. 2020).

Pada daerah asalnya yakni Amerika Selatan, kakao merupakan tanaman kecil di bagian bawah hutan hujan tropis dan tumbuh terlindung oleh pohon- pohon besar (Rangkuti 2021). Di Indonesia, perkebunan kakao telah berkembang pesat dalam 20 tahun terakhir dengan pengelolaan perkebunan sebagian besar dikelola oleh rakyat 87,4%, perkebunan besar negara 6,0% dan perkebunan besar swasta 6,7% (Aprityani 2021). Tanaman kakao dapat dimanfaatkan seutuhnya mulai dari buah, daun, hingga akar tanaman. Namun, perawatan buah kakao juga membutuhkan biaya lebih, sehingga diperlukan suatu cara yang dapat mengetahui penyakit dan solusinya agar membantu proses pencegahan dan pengendalian melalui tindakan-tindakan yang diperlukan. Beberapa contoh gambar buah kakao ditunjukkan dalam Gambar 1.

Gambar 1 Buah kakao 2.2 Hama dan Penyakit Tanaman Kakao

Hama Penyakit Tanaman (HPT) merupakan salah satu masalah terbesar yang dihadapi petani dalam upaya meningkatkan produktivitas dan mutu kakao.

HPT kakao menimbulkan kerusakan yang mampu menurunkan produktivitas buah kakao sebesar 50-60%. Selain itu, HPT juga mengakibatkan kelayuan hingga kematian pada batang dan tangkai tanaman kakao. Beberapa HPT yang sering

(18)

4

menyerang buah kakao adalah penyakit busuk buah, hama penggerek buah kakao (PBK), dan hama helopeltis (Setiawan et al. 2021).

Penyakit busuk buah merupakan salah satu penyakit yang paling sering menyerang buah kakao. Hal ini disebabkan oleh patogen Phytophthora palmivora yang menyerang berbagai bagian dari tanaman kakao pada berbagai tingkatan umur. Pada daerah yang bercurah hujan tinggi, penyakit ini mampu menyerang dengan intensitas mencapai 85% dan menyebabkan penurunan hasil produksi sekitar 20-40% (Sukamto 2003).

Selain itu, ada hama penggerek buah kakao (PBK) yang diakibatkan oleh serangan Conopomorpha cramerella Snell yang termasuk dalam ordo Lepidoptera.

Serangan larva pada PBK mengakibatkan kerusakan biji, kerpit, biji lengket, hingga menimbulkan warna gelap pada kulit buah serta kandungan lemak yang menurun. Ukuran serangga dewasa Conopomorpha, terlihat lebih kecil jika dibandingkan dengan kupu-kupu biasanya. Ciri khasnya adalah terdapat garis zig- zag berwarna putih dan bercak kuning oranye pada keempat sayapnya. Secara sederhana, siklus penyerangan hama ini diawali dengan peletakan telur berwarna kuning jingga berbentuk lonjong pipih berukuran 0,5 mm x 0,3 mm pada alur-alur permukaan buah, terutama buah yang telah berukuran panjang 8 cm atau lebih.

Kemudian, Sekitar 2-7 hari telur menetas dan larva instar langsung menggerek kedalam buah dan tetap tinggal di dalam buah sampai menjelang menjadi kepompong. Larva membuat liang gerekan di bawah kulit buah dan di antara biji serta memakan daging buah (plasenta biji). Setelah 14-18 hari di dalam buah, larva membuat liang gerekan keluar, melekat pada permukaan buah atau menjatuhkan diri pada daun segar atau kering di atas tanah, lalu membuat kokon yang berwarna kuning coklat dan berubah menjadi kepompong di keesokan harinya. Perkembangan PBK sejak telur sampai imago memerlukan waktu rata- rata 33 hari. Potensi menghasilkan telur setiap serangga betina adalah antara 100- 200 butir. Dengan siklus hidup rata-rata 1 bulan per generasi, maka dalam satu tahun secara teoritis akan dihasilkan 1.200 – 2.400 ekor larva, hanya dari sepasang PBK saja (Samsudin 2012).

Terakhir, Helopeltis antonii SIGN. (Hemiptera: Miridae) juga merupakan salah satu hama utama penyerang buah kakao. Helopeltis terdiri dari 3 spesies, yaitu H. antonii Signoret, H. theivora Waterhouse dan H. brady Waterhouse.

Hama ini menyerang dengan menusuk stitletnya untuk mengisap cairan disekitar pucuk dan buah kakao. Hama menimbulkan bercak nekrosis sebagai akibat dari cairan ludah serangga yang bersifat racun. Pada tingkat serangan berat hama pengisap buah ini dalam satu musim dapat menurunkan hasil rata-rata 42%

(Atmadja 2003). Kerusakan akibat serangan Helopeltis bervariasi tergantung pada teknik budidaya, metode pengendalian, lokasi, dan iklim. Laju perkembangan Helopeltis di daerah bersuhu rendah lebih lambat dibandingkan dengan daerah bersuhu tinggi.

(19)

5

Penurunan kualitas kakao merupakan dampak dari penyebaran serangan HPT pada kakao yang sangat cepat (Ahdan et al. 2020). Beberapa gejala hama dan penyakit buah kakao yang sering muncul seperti daun menguning, memiliki bercak-bercak coklat kehitaman, terlihat busuk, hingga buah terlihat mengeras.

Secara terperinci akan dijelaskan dalam tabel 1.

Tabel 1 Daftar Hama dan Penyakit Buah Kakao yang diteliti No Hama dan

Penyakit 1. Penyakit Busuk

Buah

2. Hama Penggerek Buah Kakao (PBK)

Gejala Gambar

- Busuk basah berwarna cokelat kehitaman dengan batas yang tegas pada mulai dari ujung buah atau dekat tangkai

- Dalam kondisi lembab, pada permukaan muncul serbuk berwarna putih yang seringkali bercampur dengan jamur sekunder.

- Buah menunjukkan gejala masak awal dengan warna tidak merata, yaitu belang kuning hijau

- Buah berwarna coklat kehitaman serta terdapat lubang gerek kecil

3. Hama Helopeltis - Bercak cekung cokelat kehitaman berukuran 3-4 mm - Daun gugur dan ranting

kering

- Terdapat telur putih lonjong pada kulit buah

- Serangan pada pucuk menyebabkan layu dan mati, ranting mengering dan meranggas

4. Gabungan penyakit busuk buah dan hama helopeltis

- Gabungan gejala yang tampak pada penyakit busuk buah dan hama helopeltis

(20)

6

2.3 Deep learning

Deep learning merupakan algoritma jaringan saraf tiruan yang mempelajari fungsi kompleks. Deep learning menggunakan data sebagai input, lalu memprosesnya melalui lapisan tersembunyi yang bertransformasi secara non- linier untuk menghitung nilai output. Deep learning merepresentasikan suatu konsep yang kompleks menjadi rangkaian yang lebih sederhana. Keunggulan deep learning memiliki tingkat keakuratan lebih tinggi dalam mengenali suatu kegiatan atau objek dibanding dengan metode mesin generasi sebelumnya.

Selain itu, deep learning juga memiliki akurasi yang lebih tinggi karena tidak perlu mengekstrak fitur tertentu. Deep learning mampu mencari seluruh gambar dengan mengekstraksi data secara berlapis menggunakan fitur level rendah untuk mendapatkan fitur level tinggi abstrak (Chethan et al. 2021).

Arsitektur jaringan deep learning divisualisasikan pada Gambar 2.

Gambar 2 Deep learning (Mouha 2021) 2.4 You Only Look Once (YOLO)

You Only Look Once (YOLO) merupakan algoritma deep learning deteksi objek yang menerapkan jaringan syaraf tunggal pada keseluruhan frame (Nazilly et al. 2020). YOLO pertama kali dikenalkan oleh Redmon (2016). Inti dari algoritma deteksi objek YOLO terletak pada ukuran model yang kecil dan kecepatan kalkulasi yang cepat. Dalam proses pendeteksian, YOLO memiliki tiga langkah, yaitu mengubah ukuran citra, menjalankan single convolutional, dan menerapkan threshold berdasarkan nilai confidence. YOLO menerima input image yang dikirimkan oleh neural network lalu dibagi menjadi kotak sebesar S×S untuk pembuatan bounding yang kemudian diprediksi oleh sistem (Redmon et al. 2016). YOLO memiliki kemampuan generalisasi yang kuat karena dapat mempelajari fitur-fitur yang sangat digeneralisasikan untuk dialihkan ke bidang lain. Berdasarkan nilai kecepatan, YOLO sangat cepat dalam melakukan deteksi objek. YOLO hanya membutuhkan satu kali feedforward pada jaringan untuk menghasilkan output deteksi objek, sehingga lebih cepat bila dibandingkan dengan algoritma deteksi objek lain seperti Faster Region-based Convolutional Neural Networks (R-CNN) dan Single Shot Detection (SSD). YOLO juga mampu

(21)

7

memberikan hasil deteksi objek yang lebih akurat dan stabil akibat pengelompokan non-maximum suppression yang berguna mengatasi overlapping antar bounding box. Namun, YOLO memiliki keterbatasan sensitivitas dalam mendeteksi objek dengan ukuran yang sangat kecil, terutama jika ukuran objek tersebut jauh lebih kecil dari ukuran grid. Hal ini disebabkan oleh proses pembagian objek menjadi beberapa grid, yang membuat objek tidak dapat terdeteksi dengan baik

Penelitian ini menggunakan tiga versi dari YOLO, yaitu YOLOv5, YOLOv7, dan YOLOv8. YOLOv5 memiliki lima pre-trained model yang karakteristiknya bervariasi. Kelimanya dapat memberikan pilihan kepada pengguna untuk menyesuaikan dengan hardware yang akan digunakan sehingga dapat berjalan dengan baik. Karakteristik sub-jenis algoritma ini memiliki perbedaan dari sisi ukuran model program yang dihasilkan, kecepatan proses, serta nilai akurasi yang dihasilkan dari dataset sumber YOLOv5 yaitu dataset Common Object in Context (COCO). YOLOv7 merupakan algoritma yang telah teruji dan mendapatkan hasil yang baik pada dua dataset resmi yaitu PASCAL Visual Object Classes (VOC) dan COCO. YOLOv7 mampu mendeteksi objek dengan ukuran yang bervariasi mulai dari kecil hingga besar (Xu et al. 2021).

Dalam hal desain arsitektur jaringan, YOLOv7 memperluas jaringan perhatian jarak jauh yang lebih efisien. Selain itu, YOLOv7 menggunakan pendekatan penskalaan model berbasis rangkaian. Namun, pengembangan algoritma YOLO kini telah sampai di versi YOLOv8 yang memiliki kinerja lebih baik dari versi- versi sebelumnya.

Semakin besar jenis algoritma YOLO yang digunakan maka semakin cepat dan akurat model yang dihasilkan namun ukuran berkas program yang dihasilkan juga semakin besar. Selain itu, semakin besar jenis algoritma yang digunakan maka dalam proses training nya pun membutuhkan spesifikasi komputer yang lebih kuat dalam hal pemrosesan grafis. Arsitektur segmentasi gambar setiap model dijelaskan lebih lanjut pada Gambar 3 hingga Gambar 5.

(22)

8

Gambar 3 Arsitektur segmentasi gambar pada algoritma YOLOv5

(23)

9

2.5 Sistem Pakar

Sistem pakar merupakan sebuah sistem yang dibuat dengan mengadopsi kecerdasan manusia ke dalam komputer dengan tujuan menyelesaikan masalah yang biasanya diselesaikan oleh pakar (Alita et al. 2020). Sistem Pakar ini didasarkan pada pengetahuan yang diperoleh dari seorang pakar manusia dan kemampuan komputer dalam memproses informasi. Pengetahuan tersebut kemudian diimplementasikan ke dalam sebuah sistem yang mampu menyelesaikan masalah secara otomatis. Sistem pakar yang baik dirancang agar mampu menjadi alat bantu user dalam menyelesaikan suatu masalah dengan memanfaatkan kapabilitas penalaran untuk mencapai suatu kesimpulan (Wajiran et al. 2020). Kelebihan sistem pakar, yaitu fast respon, handal, stabil, cerdas, dan mengurangi biaya pengadaan ahli (Rosnelly 2012).

Beberapa komponen yang membangun sistem pakar adalah knowledge base, inference engine, working memory, explanation facility, knowledge aqcuasition facility, dan user interface (Rosnelly 2012). Penggunaan bahasa pemrograman python dalam membangun model sistem pakar akan membuat proses instalasi dan integrasi pada perangkat Internet of Things (IoT) menjadi lebih mudah (Thuan 2021). Sistem pakar biasanya menangani masalah yang kompleks yang membutuhkan interpretasi pakar dan digunakan untuk menyelesaikan masalah dengan menggunakan komputer dengan model penalaran manusia dan mencapai kesimpulan yang sama dengan dicapai oleh seorang pakar jika berhadapan dengan suatu masalah.

Di Indonesia, implementasi sistem pakar juga telah banyak dilakukan dalam berbagai bidang. Secara umum, implementasi sistem pakar dapat membantu meningkatkan efektivitas dan efisiensi dalam menyelesaikan masalah di berbagai bidang. Data-data yang dihasilkan oleh sistem pakar dapat digunakan sebagai acuan dalam pengambilan keputusan yang lebih akurat dan tepat. Namun, implementasi sistem pakar juga memerlukan pengetahuan dan pengalaman ahli di bidang tersebut untuk memastikan basis pengetahuan yang digunakan benar-benar akurat dan valid.

(24)

(a) (b)

10

III METODE PENELITIAN

3.1 Waktu dan Tempat

Penelitian dilakukan pada bulan Januari 2022 - Mei 2022. Penelitian dilaksanakan secara luring di Badan Standardisasi Instrumen Pertanian Tanaman Industri dan Penyegar (BSIP-TRI) di Sukabumi, Jawa Barat untuk pengambilan data penelitian (Gambar 6). Proses pengolahan dan pengembangan deep learning serta deploy website dilaksanakan di Laboratorium Teknik Bioinformatika, Departemen Teknik Mesin dan Biosistem, Kampus IPB Dramaga, Bogor.

Gambar 6 Lokasi penelitian (a) Badan Standardisasi Instrumen Pertanian Tanaman Industri dan Penyegar (BSIP-TRI) (b) Fakultas Teknologi Pertanian IPB 3.2 Alat dan Bahan

Alat dan bahan yang akan digunakan pada penelitian ini secara umum yaitu kamera, perangkat keras/hardware berupa sebuah laptop dan beberapa perangkat lunak/software seperti google collaboratory, roboflow, open cv, phyton, dan You Only Look Once (YOLO). Tabel 2 adalah penjelasan detail mengenai peralatan yang digunakan dalam penelitian.

Tabel 2 Alat dan Bahan

No Nama Keterangan

1 Laptop Asus X507MA

2 Google Colaboratory

GPU NVIDIA K80s, T4s, P4s, P100s, RAM sebesar 13GB, dan memory 130 GB

3 Roboflow Platform untuk memberikan anotasi atau pemberian bounding box

4 Open Cv Pustaka perangkat lunak yang ditujukan untuk pengolahan citra dinamis secara real-time

5 Phyton Bahasa pemrograman tujuan umum yang ditafsirkan, tingkat tinggi.

(25)

Dataset pengujian Mulai

Training deep learning

Pengujian model

Selesai

Penyajian hasil identifikasi dan validasi model

11

No Nama Keterangan

6 You Only Look Once (YOLO)

Algoritma deep learning yang memanfaatkan jaringan saraf konvolusional.

7 Flask Sebuah framework sekaligus library keluaran python, yang berfungsi sebagai alat bantu pengembangan web.

8 Visual Studio Code

Sebuah code editor gratis yang bisa dijalankan di perangkat desktop.

9 Jupyter Aplikasi web gratis untuk membuat dan membagikan dokumen yang memiliki kode, hasil hitungan, visualisasi, dan teks.

3.3 Prosedur Kerja

Prosedur dilakukan dalam beberapa tahapan penelitian. Tahapan tersebut terdiri dari pengumpulan dataset, pengolahan data, dan uji model hasil training.

Tahapan pelaksanaan penelitian secara lengkap ditunjukkan oleh diagram alir pada Gambar 7.

Gambar 7 Diagram alir pelaksanaan penelitian Pengumpulan dataset

Identifikasi dan pelabelan dataset

(26)

12

3.3.1 Pengumpulan dan Pelabelan Dataset

Dataset yang digunakan dalam penelitian ini adalah kumpulan gambar buah kakao yang memiliki ciri dan gejala serangan hama dan penyakit pada buah kakao.

Dataset diperoleh melalui proses pengambilan gambar buah kakao langsung di lokasi penelitian. Total dataset yang digunakan yaitu 1.650 gambar buah kakao dengan beberapa jenis hama dan penyakit yang dibagi secara acak dengan persentase yang merata untuk setiap jenis hama dan penyakit serta buah kakao sehat. Dataset yang digunakan dibagi menjadi dua, yaitu 1.200 gambar dataset untuk proses training dan 450 gambar dataset untuk proses uji validasi dan testing.

Proses selanjutnya adalah proses pelabelan setiap gambar yang telah dikumpulkan menurut dengan kelas masin-masing. Proses pelabelan dilakukan dengan membuat kotak batas lalu memberikan label sesuai dengan objek yang diidentifikasi. Proses labeling melakukan identifikasi terhadap semua objek yang terdapat dalam satu gambar, sehingga proses training menggunakan You Only Look Once (YOLO) dapat mendeteksi kelas sesuai hasil deteksi objek.

3.3.2 Training dan Validasi Dataset

Training dataset dilakukan untuk melatih algoritma yang dikembangkan sehingga mampu mengenali dataset-nya dan membentuk sebuah model dari proses pelatihan tersebut. Training dilakukan dengan dua proses, yaitu forward propagation dan backward propagation. Training dataset dilakukan hingga mendapatkan output berupa file berisi nilai bobot, bias, dan nilai loss terkecil.

Training yang dilakukan menggunakan total 1.650 gambar atau sekitar 70% dari jumlah total dataset yang digunakan pada penelitian ini. Epoch merupakan jumlah pengulangan training yang dilakukan oleh algoritma dengan asumsi semakin banyak jumlah epoch yang digunakan maka semakin baik pula hasil yang didapatkan. Epoch yang dipakai berjumlah 200, 350, dan 500. Jumlah ini digunakan untuk mengetahui jumlah epoch yang paling optimum untuk deteksi serta sebagai perbandingan pengaruh jumlah epoch terhadap hasil deteksi.

Sementara itu, proses validasi bertujuan untuk mengenali dataset berdasarkan nilai bobot dari hasil training yang dilakukan dan mengecek keakuratan model yang telah dikembangkan. Perhitungan nilai akurasi model dapat dilakukan berdasarkan persentase label yang terdeteksi benar dari seluruh label yang digunakan untuk uji validasi. Validasi menggunakan total 450 gambar dataset untuk seluruh jenis hama dan penyakit buah kakao serta buah kakao sehat atau 30% dari jumlah total dataset yang digunakan pada penelitian ini.

3.3.3 Uji Model

Pengujian model dilakukan dengan menggunakan hasil keluaran dari proses training model deep learning. Uji model dilakukan dengan menggunakan nilai dari nilai bobot, bias, dan nilai loss terkecil dari proses training. Input yang

(27)

13

digunakan berupa dataset berupa gambar buah kakao yang sebelumnya telah diolah dalam proses pelabelan. Luaran yang dihasilkan dari proses ini berupa kotak virtual (bounding box) yang menunjukkan batas objek hama dan penyakit pada buah kakao sesuai dengan klasifikasi jenis hama dan penyakitnya.

3.3.4 Evaluasi Model

Evaluasi model menggunakan model confusion matrix yang menunjukkan prediksi matrix dan prediksi aktual yang terjadi dari pengembangan model (Mahardhika et al. 2015). Model confusion matrix digunakan untuk mengukur performa algoritma You Only Look Once (YOLO) dalam melakukan training.

Pengukuran kinerja dengan confusion matrix akan menghasilkan empat hasil pengukuran, yaitu true positive, true negative, false positive, dan false negative.

True positive adalah jumlah dataset yang diklasifikasikan benar dan terdeteksi benar, sedangkan true negative adalah jumlah dataset yang diklasifikasikan salah dan terdeteksi salah. False positive adalah jumlah dataset yang diklasifikasikan salah namun dideteksi benar, dan false negative ialah jumlah dataset yang diklasifikasikan benar, namun terdeteksi salah (Pratama & Rasywir 2021).

Penghitungan kinerja dari model yang telah diuji dilakukan dengan menghitung empat parameter, yaitu accuracy, recall, precision, dan F1 score (Jiang et al. 2020). Perhitungan kinerja sistem dapat dilakukan dengan persamaan berikut:

Accuracy = ^{𝑇𝑃+𝑇𝑁}

𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁 ………….……(1)

Recall = ^𝑇𝑃

𝑇𝑃+𝐹𝑁 ……….(2)

Precision = ^𝑇𝑃

𝑇𝑃+𝐹𝑃 ………..(3) F1 Score = 2𝑥𝑅𝑒𝑐𝑎𝑙𝑙𝑥𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ...

𝑅𝑒𝑐𝑎𝑙𝑙+𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 (4) Keterangan:

• TP (True Positive) = jumlah dataset kelas benar terdeteksi benar

• FN (False Negative) = jumlah dataset kelas benar terdeteksi salah

• FP (False Positive) = jumlah dataset kelas salah terdeteksi benar

• TN (True Negative) = jumlah dataset kelas salah terdeteksi salah

(28)

14

IV PEMBAHASAN

4.1 Pengumpulan Dataset Buah Kakao

Pengolahan data dimulai dengan proses pengumpulan dataset berupa gambar buah kakao pada kebun yang berlokasi pada Badan Standardisasi Instrumen Pertanian Tanaman Industri dan Penyegar (BSIP-TRI) di Sukabumi, Jawa Barat. Pengambilan gambar dilakukan dengan bantuan kamera profesional Canon 1100D. Pengambilan gambar buah kakao pada lokasi penelitian dilakukan sebanyak dua kali yakni pada tanggal 2 Desember 2022 dan 11 Maret 2023.

Waktu pengambilan dataset dilakukan pada rentang pukul 10:00 – 12:00 WIB dengan kondisi cuaca cerah yang mengakibatkkan beberapa gambar yang diambil mendapatkan pencahayaan yang berbeda.

Tanaman kakao terdiri atas tiga varietas utama, yakni criollo, forastero, dan trinitario. Varietas criollo hanya terdapat sekitar 10% dari total jumlah kakao di seluruh dunia, beberapa diantaranya seperti Venezuela, Ekuador, Kolombia, dan Indonesia. Sementara, forastero merupakan varietas mayoritas tanaman kakao yang dapat dijumpai di negara-negara Afrika dan Asia Tenggara. Indonesia dikenal juga sebagai penghasil biji kakao bulk atau kakao lindak. Selain itu, ada varietas trinitario yang merupakan persilangan antara varietas criollo dan forastero.

Varietas kakao yang dijadikan dataset pada penelitian ini adalah jenis forastero. Forastero memiliki ciri-ciri berupa kulit buah berwarna kuning, biji berwarna ungu, biji berbentuk elips, serta aroma dan rasa yang tidak setajam jenis criollo (Aaboud et al. 2019). Forastero merupakan varietas utama yang banyak ditanam di wilayah Indonesia, khususnya wilayah Sulawesi, Sumatra, dan Kalimantan. Menurut data Kementerian Pertanian Indonesia, sebesar 90% dari total produksi kakao nasional tahun 2021 merupakan varietas forastero.

Banyaknya jenis kakao ini di Indonesia dikarenakan varietas forastero memiliki proses pertumbuhan yang kuat, produktivitas tinggi, dan cepat dalam berbuah (Aris dan Jumiono 2020). Forastero juga memiliki kelebihan bila dibandingkan dengan varietas criollo karena memiliki kandungan lemak lebih dari 56% (Aris dan Jumiono 2020). Gambar buah kakao yang berhasil dikumpulkan berjumlah 1.650 dataset. Tabel 3 menjelaskan lebih lanjut terkait dataset yang diolah.

Tabel 3 Jumlah dataset yang diolah

No Dataset Jumlah Dataset

1 Training 1.200

2 Validation 300

3 Testing 150

Jumlah 1.650

(29)

(a) (b) (c)

(d) (e)

15

Dataset yang dibuat berfungsi sebagai input yang digunakan model untuk mendeteksi hama dan penyakit yang menyerang buah kakao. Gambar yang diambil berfokus pada buah kakao yang memiliki gejala hama dan penyakit.

Dataset kakao diambil dengan beragam kondisi gambar, pencahayaan sinar matahari, serta sudut pandang pengambilan gambar. Hal tersebut bertujuan agar model dapat mendeteksi dengan akurasi yang berpotensi bernilai tinggi

Gambar buah kakao yang diambil sebagai dataset memiliki perbedaan besaran intensitas pancaran sinar matahari yang diterima objek gambar. Hal ini disebabkan oleh kondisi cuaca serta waktu pengambilan gambar pada lokasi penelitian. Oleh karena itu, dalam proses pengolahan dataset dilakukan penambahan variasi gambar melalui teknik augmentasi untuk meningkatan kemampuan generalisasi sistem yang akan dikembangkan. Proses pembuatan dataset yang baik harus dilakukan dengan menyesuaikan kondisi pengambilan gambar saat pengumpulan data (Tiyar dan Fudholi 2021). Beberapa contoh gambar buah kakao yang berhasil diambil sebagai dataset yang digunakan (Gambar 8) dalam pengembangan model deep learning deteksi hama dan penyakit buah kakao ditunjukkan pada Lampiran 1.

Gambar 8 Dataset yang diolah (a) buah sehat (b) penyakit busuk buah (c) hama helopeltis (d) hama Penggerek Buah Kakao (PBK) (e) gabungan penyakit

busuk buah dan hama helopeltis 4.2 Pengolahan Dataset Buah Kakao

Pengolahan dataset dilakukan dengan proses awal berupa pelabelan atau pemberian anotasi pada setiap gambar yang diambil. Software yang digunakan dalam membantu proses pengolahan dataset ini adalah roboflow. Roboflow merupakan sebuah platform anotasi dan pelatihan data online yang digunakan untuk mengolah dan mempersiapkan dataset yang dimiliki untuk pelatihan model deteksi objek. Roboflow memberikan kemudahan bagi pengguna untuk dapat

(30)

16

mengunggah dataset, labelling, dan mengelola metadata dengan praktis melalui pilihan fitur yang telah disediakan dalam software. Proses anotasi pada roboflow dapat dilakukan dengan menggunakan berbagai jenis alat anotasi, seperti bounding box, polygon, semantic segmentation, classification, dan lainnya yang bergantung pada jenis data dan kebutuhan model yang ingin dikembangkan.

Roboflow juga dilengkapi dengan fitur automatisasi anotasi yang menggunakan teknologi computer vision untuk membantu mempercepat proses anotasi. Selain anotasi, roboflow juga menyediakan berbagai opsi augmentasi data, yang dapat meningkatkan nilai variasi data pelatihan dan membantu mencegah overfitting pada model yang dikembangkan. Beberapa augmentasi yang disediakan oleh roboflow antara lain, seperti: flipping (membalik gambar), scaling (mengubah ukuran gambar), rotation (memutar gambar), adding noise (menambahkan noise pada gambar) serta shifting (menggeser gambar).

Dalam pengolahan dataset, dilakukan penyesuaian pada dataset yang digunakan dengan menerapkan metode k-fold. Metode ini merupakan sebuah teknik validasi silang yang umum digunakan dalam pengembangan model deep learning. Metode ini membagi dataset menjadi beberapa bagian dengan ukuran dataset yang sama. Setiap bagian kemudian akan digunakan secara bergantian sebagai data uji, sedangkan bagian lainnya digunakan sebagai data pelatihan.

Proses ini akan dilakukan pengulangan sesuai dengan kebutuhan model yang telah ditetapkan. Metode ini membantu meningkatkan kinerja model deep learning dengan mengurangi risiko overfitting dan memastikan performa model yang lebih konsisten, akurat dan dapat diandalkan.

Setelah proses anotasi dan pemberian opsi augmentasi, dataset pada roboflow kemudian diintegrasikan ke dalam berbagai platform pelatihan deep learning seperti tensorflow, pytorch, dan lainnya. Algoritma yang dipilih dalam proses pengolahan dataset ini adalah pytorch, sehingga berkas luaran anotasi yang telah diolah pada roboflow secara otomatis di kompatibelkan dengan algoritma You Only Look Once (YOLO). Dalam rangka memastikan kualitas data training, roboflow juga menyediakan alat verifikasi data yang memungkinkan pengguna untuk dapat melakukan percobaan ataupun validasi data dengan mengecek hasil anotasi dan augmentasi yang telah dilakukan. Alur kerja perangkat lunak roboflow secara lengkap ditunjukkan pada Gambar 9.

(31)

17

Gambar 9 Alur kerja roboflow

Label yang dideskripsikan dalam pengolahan dataset model adalah kategori multi class label dengan lima kelas berbeda yakni buah kakao sehat, penyakit busuk buah, hama Penggerek Buah Kakak (PBK), hama helopeltis, dan gabungan penyakit busuk buah dan hama helopeltis. Dalam hal ini, setiap ciri dan gejala hama dan penyakit buah kakao yang ada dalam gambar dataset buah kakao yang diambil diberikan bounding boxes. Luaran dari proses anotasi dataset ini berupa file text yang berisikan jumlah bounding boxes dan titik koordinat setiap bounding boxes. File tersebut kemudian digunakan sebagai repositori data dalam pengembangan model deep learning.

4.3 Pengembangan Model Deep learning

Proses pengembangan model deep learning dimulai dengan melakukan proses custom training menggunakan dataset yang sudah diolah pada roboflow sebelumnya. Sebelum dilakukan proses training, dataset yang telah diolah dibagi menjadi dua bagian, yaitu dataset untuk proses training dan dataset testing.

Dataset training kemudian dibagi kembali menjadi dua yaitu data train dan validation. Secara umum, proporsi data yang digunakan pada dataset training tidak memiliki ketentuan khusus. Namun, proporsi dataset yang ideal adalah jumlah dataset untuk train lebih besar dibandingkan jumlah dataset validasi dan testing agar hasil training lebih maksimal.

Gambar dataset yang digunakan pada berjumlah 1.650 gambar yang dibagi kemudian menjadi 1.200 gambar untuk bagian training, serta 450 gambar untuk bagian validation and testing. Penelitian ini menggunakan tiga versi pre-trained model yang dijadikan sebagai parameter pembanding yaitu beberapa versi dari You Only Look Once (YOLO) yang terdiri dari YOLOv5, YOLOv7, dan YOLOv8.

Pengembangan model deep learning yang dibangun menggunakan syntax train.py untuk melakukan proses training. Epoch yang digunakan pada setiap training berbeda. Algoritma YOLOv5 menggunakan epoch sebanyak 350, YOLOv7 sebanyak 500, serta YOLOv8 sebanyak 126. Namun dari hasil training, ketiga algoritma tersebut berhenti secara otomatis ketika tidak ada perubahan yang

(32)

18

signifikan dalam 50 pengulangan terakhir (patience=50). Hal ini menunjukkan gambaran pengulangan batch terbaik untuk setiap model algoritma yang ditraining menggunakan dataset buah kakao. Proses training model ini dilakukan untuk mendapat luaran berupa weight atau nilai bobot yang akan digunakan untuk melakukan pengidentifikasian hama dan penyakit buah kakao di lokasi kebun.

Berikut merupakan perbandingan kinerja training dataset setiap model YOLO yang dijelaskan dalam Tabel 4.

Tabel 4 Perbandingan hasil kinerja training dataset pada setiap model No Model Epoch

Ukuran weight

Waktu

training Nilai P Nilai R

mAP

@0,5 (MegaByte) (jam)

1 YOLOv5 350 3,9 1,712 0,637 0,680 0,693

2 YOLOv7 500 74,8 5,449 0,665 0,771 0,704

3 YOLOv8 126 22,5 1,636 0,654 0,353 0,720

Hasil kinerja training dari proses pengembangan model memperlihatkan beberapa parameter seperti nilai epoch, weight, waktu training, precision, recall, dan juga Mean Average Precision (mAP). Nilai epoch, recall, presisi, dan mAP adalah suatu hal penting dalam deep learning model YOLO yang digunakan untuk menilai kualitas sistem deteksi objek pada gambar. Epoch merujuk pada jumlah iterasi yang dilakukan oleh model deep learning yang dikembangkan untuk melatih seluruh dataset. Selain itu, ada juga nilai presisi yang merupakan metrik pengukur ketepatan model dalam mengidentifikasi objek terdeteksi dengan membagi jumlah objek yang terdeteksi dengan jumlah objek yang terdeteksi benar-benar valid. Recall atau metrik yang mengukur kemampuan model dalam mendeteksi seluruh objek yang ada dalam gambar juga menjadi suatu hal yang penting dalam proses pengembangan model deteksi. Nilai recall dihitung dengan membagi jumlah antara objek terdeteksi dengan objek yang sebenarnya. Berbeda dengan recall, mAP adalah metrik yang digunakan untuk mengevaluasi kinerja deteksi objek pada model deep learning YOLO dengan menghitung presisi rata- rata dari semua kelas objek. mAP juga memberikan bobot yang sama untuk setiap kelas. Sehingga, Semakin tinggi nilai mAP, maka semakin baik pula performa model dalam mendeteksi objek.

Berdasarkan hasil training model, YOLOv7 memiliki waktu training yang jauh lebih lama serta ukuran weight yang lebih besar dibandingkan dua model lainnya. Hal ini disebabkan oleh jumlah epoch serta layer parameter yang digunakan oleh YOLOv7 jauh lebih besar dari model lainnya. Bila ditinjau dari efisiensi waktu proses pengembangan model, YOLOv5 mendapatkan hasil terbaik dengan melakukan 350 iterasi dalam kurun waktu 1,712 jam (102 menit 42 detik ) dengan ukuran weight paling kecil yaitu 3,9 Megabyte (MB). Di sisi lain, YOLOv8 melakukan waktu training paling cepat yakni melakukan 126 iterasi

(33)

19

selama 1,636 jam (98 menit 16 detik) serta mendapatkan nilai mAP tertinggi yakni sebesar 0,720. Perbedaan weight dan waktu training pada setiap model, disebabkan oleh jumlah convolutional layer yang digunakan dalam proses training berbeda pada setiap model YOLO. Convolutional layer yang digunakan pada YOLOv5, YOLOv7, dan YOLOv8 masing-masing hanya berjumlah 157 layers, 314 layers, dan 168 layers. Tabel 4 menunjukkan bahwa YOLOv7 mendapatkan hasil training berupa nilai presisi (P), dan recall (R) tertinggi yakni sebesar 0,665 dan 0,771. Namun, nilai mAP tertinggi ditunjukkan oleh YOLOv8 yakni sebesar 0,720. Berdasarkan rata-rata keseluruhan parameter, YOLOv8 menjadi model yang memiliki nilai performa terbaik bila dibandingkan dengan kedua model lainnya.

Selain nilai P, R, dan mAP, hasil kinerja training juga dapat diketahui dari grafik hasil pengembangan model yang dikembangkan. Setiap parameter pada grafik, menjelaskan kinerja iterasi setiap epoch yang dilewati mulai dari grafik presisi, recall, mAP, dan juga loss pada objek maupun kelas. Dalam deep learning model YOLO, box loss dan class loss dapat digunakan untuk melatih model agar dapat memperbaiki prediksi terhadap lokasi kotak objek dan kelas objek yang diinginkan. Sedangkan nilai val loss digunakan untuk mencegah terjadinya overfitting dan mengevaluasi performa model pada data validasi. Berdasarkan grafik hasil kinerja training, setiap model menunjukkan penurunan kurva box loss untuk train dan validation dari epoch pertama hingga epoch ke-350 untuk YOLOv5, epoch ke-500 untuk YOLOv7, serta epoch ke-126 untuk YOLOv8 dan terlihat stabil grafik penurunannya. Secara keseluruhan, data tersebut menunjukkan ketiga model memiliki loss yang cukup rendah dan baik untuk digunakan. Terlihat juga grafik peningkatan nilai R, P, dan mAP setiap epoch hingga mencapai konstan dan mendapatkan nilai tertinggi. Namun, pembuatan dataset akan selalu menghasilkan kemungkinan adanya bias yang menimbulkan loss serta mempengaruhi kemampuan dalam mendeteksi objek (Tiyar dan Fudholi 2021). Oleh karena itu, data memiliki pengaruh yang cukup besar terhadap kinerja deteksi objek. Hasil grafik kinerja pada setiap model, direpresentasikan lebih rinci oleh grafik yang dapat dilihat pada Lampiran 2.

Pengembangan model deep learning menghasilkan luaran berupa weight atau nilai bobot. Hasil weight atau nilai bobot yang didapat selanjutnya digunakan untuk model dapat mendeteksi hama dan penyakit pada buah kakao. Pengujian weight pada gambar dilakukan dengan menggunakan dataset testing untuk menguji kinerja deteksi dan mengetahui nilai akurasi, presisi, dan recall secara non-komputasi dari model yang telah dibuat sehingga dapat dibandingkan dengan keluaran komputasi model serta dapat dievaluasi kemudian. Untuk mendeteksi gambar acak, diperlukan kode program detect.py. Kode program telah dilampirkan dengan kode program lainnya untuk pengembangan model menggunakan notebook pemrograman google colaboratory pada Lampiran 3.

Berdasarkan hasil pengembangan sistem deteksi, didapatkan luaran berupa

(34)

20

gambar buah kakao yang disertai dengan bounding box berupa label kelas dengan nilai confidence model. Hasil gambar deteksi dibatasi untuk nilai confidence lebih dari 0,7 (70%). Contoh gambar hasil keluaran training dapat dilihat pada Gambar 10.

Gambar 10 Contoh hasil keluaran training 4.4 Evaluasi Kinerja Model Deep learning

Evaluasi kinerja yang dilakukan adalah menghitung kembali nilai akurasi, presisi, dan recall secara non-komputasi dari proses pengujian model. Evaluasi kinerja dilakukan dengan menggunakan tabel confusion matrix serta rumus akurasi, presisi, dan recall dari hasil nilai pada tabel confusion matrix yang didapat. Bahan yang digunakan dala pengujian adalah 153 gambar buah kakao diluar dataset training dan validation yang telah digunakan sebelumnya. Tabel 5 hingga Tabel 10 menunjukkan nilai confusion matrix yang dihasilkan berturut- turut untuk masing-masing algoritma You Only Look Once (YOLO) yang terdiri dari YOLOv5, YOLOv7, dan YOLOv8. Berdasarkan data pada Tabel 5 hingga 10, nilai akurasi, presisi, dan recall kemudian diketahui dengan melakukan perhitungan dengan menggunakan persamaan pada bagian metode penelitian.

Hasil perhitungan non-komputasi berupa nilai akurasi, presisi, dan recall setiap weight/model algoritma dapat dilihat pada Tabel 11.

Tabel 5 Confusion matrix pada weight YOLOv5

Aktual Prediksi

Keterangan:

• S = Buah sehat

S BB BB + H PBK H Jumlah

S 11 1 - - 1 13

BB 4 22 7 2 2 37

BB+H 2 7 26 1 1 37

PBK 2 1 1 20 4 28

H 1 3 1 3 30 38

Jumlah 20 34 35 26 38 153

(35)

21

• BB = Penyakit busuk buah

• BB+H = Gabungan busuk buah dan helopeltis

• PBK = Hama penggerek buah kakao

• H = Hama helopeltis

Tabel 6 Nilai akurasi, presisi, dan recall setiap class pada weight YOLOv5.

Class Accuracy Precision Recall F1-score

S 92,81 % 84,62 % 55,00 % 0,67

BB 82,35 % 59,46 % 64,71 % 0,62

BB+H 84,32 % 70,28 % 74,29 % 0,72

PBK 90,85 % 71,43 % 76,92 % 0,74

H 89,54 % 78,95 % 78,95 % 0,79

Aktual Prediksi

Keterangan:

• S = Buah sehat

S 97,38 % 85,71 % 92,31 % 0,88

BB 85,62 % 60,00 % 70,00 % 0,65

BB+H 88,24 % 81,25 % 68,42 % 0,74

PBK 86,93 % 67,74 % 67,74 % 0,67

H 89,54 % 80,49 % 80,49 % 0,80

Aktual Prediksi

S 12 1 1 - - 14

BB 1 21 7 4 2 35

BB + H - 3 26 2 1 32

PBK - 3 2 21 5 31

H - 2 2 4 33 41

Jumlah 13 30 38 31 41 153

S 13 - - - - 13

(36)

22

Aktual Prediksi

Keterangan:

• S = Buah sehat

S 97,38 % 100,00 % 76,48 % 0,87

BB 87,58 % 64,52 % 71,43 % 0,69

BB+H 94,11 % 83,33 % 86,21 % 0,85

PBK 88,89 % 78,79 % 81,25 % 0,78

H 90,19 % 86,96 % 85,11 % 0,86

Tabel 11 Nilai akurasi, presisi, dan recall setiap weight.

Weight Accuracy Precision Recall Micro F1 Macro F1

YOLOv5 87,97 % 72,95 % 69,98 % 0,71 0,69

YOLOv7 89,54 % 75,03 % 75,79 % 0,75 0,75

YOLOv8 91,63 % 82,72 % 80,10 % 0,81 0,81

Berdasarkan hasil perhitungan, didapatkan nilai akurasi, presisi, dan recall model secara non-komputasi. Nilai akurasi tertinggi didapatkan oleh model YOLOv8 (91,63%). Nilai akurasi yang tinggi menandakan bahwa kemampuan model dalam memprediksi hama dan penyakit pada buah kakao sangat akurat. Hal ini sesuai dengan pernyataan Natan et al. (2019) bahwa nilai akurasi pada model menggambarkan seberapa akurat model dapat mengklasifikasikan objek dengan benar, sedangkan dalam deep learning khususnya dalam klasifikasi objek, model dikatakan memiliki akurasi tinggi jika dapat memprediksi output dari sejumlah input dengan benar. Nilai presisi yang cukup tinggi mencapai 82,72%

menandakan bahwa model deep learning tersebut dalam hal melakukan deteksi hama dan penyakit kakao sangat konsisten (Natan et al. 2019). Hal ini ditunjukkan juga dari kolom prediksi hama dan penyakit kakao pada aktualnya yang bukan hama dan penyakit kakao sesungguhnya jumlahnya hanya sedikit, baik untuk model YOLOv5, YOLOv7, dan YOLOv8. Sama halnya dengan presisi,

BB 2 20 4 3 2 31

BB + H - - 25 3 2 30

PBK 2 2 - 26 3 33

H - 5 - 1 40 46

Jumlah 17 28 29 32 47 153

(37)

21

nilai recall menandakan tingkat konsistensi model dalam melakukan deteksi, perbedaannya terdapat pada cara penghitungannya. Presisi membandingkan antara jumlah total prediksi benar dengan jumlah total aktual yang ditujukan. Namun recall membandingkan jumlah total prediksi dengan jumlah aktual benar yang dituju (Natan et al. 2019). Nilai recall yang diperoleh pada algoritma YOLOv5 mendapatkan hasil paling kecil dibandingkan model lainnya karena banyaknya objek hama dan penyakit kakao sesungguhnya yang tidak terdeteksi oleh model YOLOv5.

Dalam pengembangan model deep learning untuk sistem deteksi hama dan penyakit pada buah kakao, Akurasi maupun presisi menjadi dua hal yang sangat penting, namun masing-masing metrik memiliki fokus yang berbeda. Akurasi mengacu pada seberapa banyak prediksi yang benar terhadap objek yang diberikan dibandingkan dengan jumlah keseluruhan prediksi atau dengan kata lain, semakin tinggi akurasi semakin sedikit kesalahan yang dibuat oleh model.

Sedangkan, presisi mengacu pada seberapa banyak prediksi yang benar positif dibandingkan dengan jumlah total positif yang diprediksi oleh model yang dikembangkan atau dengan kata lain, presisi menunjukkan seberapa akurat model dalam memprediksi label positif. Sehingga, perlu dilakukan penentuan tujuan dari model yang diinginkan. Pada Penelitian ini, akurasi dan presisi menjadi hal yang sangat diperlukan. Namun, presisi lebih diutamakan, karena ketika model salah memprediksi hama atau penyakit pada tanaman yang sebenarnya sehat, dapat menyebabkan kerusakan yang signifikan pada tanaman. Oleh karena itu, penting untuk memiliki presisi yang tinggi dalam sistem deteksi ini untuk meminimalkan kesalahan positif dan menghindari kerusakan yang tidak perlu pada tanaman.

Berdasarkan hasil evaluasi di atas secara keseluruhan dapat dikatakan model deep learning deteksi hama dan penyakit kakao yang dikembangkan sangat baik dalam mendeteksi objek secara akurat dan presisi. Hal ini ditunjukkan dari banyaknya hama dan penyakit kakao terdeteksi secara akurat dan kemampuan deteksinya juga sangat presisi. Kesalahan model dalam mendeteksi objek diakibatkan oleh gambar dataset yang kurang jelas, sehingga model tidak mampu membedakan antara objek hama dan penyakit buah kakao aktual dan hama dan penyakit kakao lainnya. Kesalahan juga disebabkan oleh minimnya variasi dataset yang diolah pada pengembangan model ini karena hanya berpatok pada lima kelas yang terdiri dari buah sehat, penyakit busuk buah, hama helopeltis, hama penggerek buah kakao, serta gabungan antara penyakit busuk buah dan hama helopeltis. Penambahan variasi kondisi dataset dapat meningkatkan kemampuan model dalam mendeteksi hama dan penyakit buah kakao dengan lebih akurat dan presisi.

4.5 Implementasi Model Deep learning

Model deep learning yang sudah dikembangkan dapat diimplementasikan ke dalam website. Hal ini dapat menjadi implementasi yang potensial karena

(38)

22

website merupakan platform yang stabil dan murah. Website yang dibentuk menggunakan interface sederhana dan mudah dimengerti, sehingga user dapat menggunakan model dengan mudah. Gambar 11 menunjukkan salah satu proses pembuatan front-end interface sebagai proses pembangunan website.

Gambar 11 Contoh website implementasi hasil deep learning model Framework pemrograman yang digunakan dalam pembuatan website adalah Flask dengan menggunakan bahasa pemrograman python. Flask termasuk pada jenis micro framework karena tidak memerlukan suatu alat atau pustaka tertentu dalam penggunaannya (Ningtyas dan Setiyawati 2021). Sebagian besar fungsi dan komponen umum seperti form validation, database, dan sebagainya tidak terpasang secara default di flask. Hal ini disebabkan fungsi dan komponen- komponen tersebut sudah disediakan oleh pihak ketiga. Oleh karena itu, framework flask dapat menggunakan ekstensi yang membuat fitur dan komponen- komponen tersebut seakan diimplementasikan oleh flask sendiri (Ningtyas dan Setiyawati 2021).

Model deep learning yang sudah dikembangkan pada notebook pemrograman google collaboratory diimplementasikan ke dalam website dengan menggunakan flask dan anaconda. Flask adalah sebuah micro framework web yang digunakan untuk membangun aplikasi web dengan bahasa pemrograman python. Flask menyediakan fitur dasar seperti routing, rendering template, dan handling request dan response http. Flask sangat mudah dipelajari dan digunakan oleh para pengembang web karena memiliki dokumentasi yang baik dan ukuran kode yang relatif kecil. Sedangkan anaconda adalah sebuah distribusi python yang disediakan oleh Continuum Analytics. Anaconda dilengkapi dengan berbagai package yang berguna dalam pengembangan aplikasi seperti numpy, pandas, matplotlib, dan scikit-learn. Anaconda juga dilengkapi dengan conda, sebuah package manager yang memudahkan pengguna dalam menginstal, mengatur, dan

(39)

23

mengelola package yang diperlukan. Dalam pengembangan website dengan menggunakan bahasa pemrograman python, flask dan anaconda dapat digunakan bersama untuk membangun aplikasi web yang tangguh dan dapat diandalkan.

Flask dapat di instal dan dijalankan menggunakan Anaconda, sehingga pengembang web dapat dengan mudah mengelola environment python dan package yang digunakan dalam pengembangan aplikasi web.