Bilah Samping Artikel

Telah diserahkan
27 October 2021
Diterima
20 April 2022
Diterbitkan
10 April 2023
Unduh
pdf
Statistik
Baca Penghitung : 410 Unduh : 377

Isi Artikel Utama

Abstrak

Tanaman jagung (Zea mays L) merupakan tanaman pangan penghasil karbohidrat potensial kedua di Indonesia setelah beras. Provinsi Bengkulu merupakan provinsi yang sebagian besar wilayahnya merupakan kawasan hutan lindung dan hutan rakyat. Perkebunan jagung mengalami gangguan, antara lain disebabkan oleh gulma. Gulma merupakan tumbuhan liar yang sering muncul di pekarangan rumah dan pertanian masyarakat. Penelitian ini hanya diambil empat jenis gulma yang sering muncul di perkebunan jagung yaitu Ageratum sp, Commelina sp, Eleusine sp, dan Sacciolepis sp. Penelitian ini dibangun sebuah model identifikasi genus gulma dengan memanfaatkan algoritma Single Shot Detector (SSD). Single Shot Detector merupakan sebuah model yang dapat mendeteksi atau mengenali objek pada suatu gambar. Penelitian ini menggunakan 800 dataset training untuk melatih sistem Deep Learning dan 150 Dataset testing untuk validasi dan evaluasi terhadap model yang dihasilkan. Dengan nilai threshold IoU dan minimum confidence @0.80 tingkat akurasi yang didapatkan pada penelitian ini sebesar 62.44%.Tanaman jagung (Zea mays L) merupakan tanaman pangan penghasil karbohidrat potensial kedua di Indonesia setelah beras. Provinsi Bengkulu merupakan provinsi yang sebagian besar wilayahnya merupakan kawasan hutan lindung dan hutan rakyat. Perkebunan jagung mengalami gangguan, antara lain disebabkan oleh gulma. Gulma merupakan tumbuhan liar yang sering muncul di pekarangan rumah dan pertanian masyarakat. Penelitian ini hanya diambil empat jenis gulma yang sering muncul di perkebunan jagung yaitu Ageratum sp, Commelina sp, Eleusine sp, dan Sacciolepis sp. Penelitian ini dibangun sebuah model identifikasi genus gulma dengan memanfaatkan algoritma Single Shot Detector (SSD). Single Shot Detector merupakan sebuah model yang dapat mendeteksi atau mengenali objek pada suatu gambar. Penelitian ini menggunakan 800 dataset training untuk melatih sistem Deep Learning dan 150 Dataset testing untuk validasi dan evaluasi terhadap model yang dihasilkan. Dengan nilai threshold IoU dan minimum confidence @0.80 tingkat akurasi yang didapatkan pada penelitian ini sebesar 62.44%.

Rincian Artikel

Lisensi

Hak Cipta (c) 2023 Ade Agustian Saputra, Boko Susilo, Mochammad Yusa, Uswatun Nurjanah

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Biografi Penulis

Ade Agustian Saputra, Universitas Bengkulu

Program Studi Informatika, Fakultas Teknik

Boko Susilo, Universitas Bengkulu

Program Studi Informatika, Fakultas Teknik

Mochammad Yusa, Universitas Bengkulu

Program Studi Informatika, Fakultas Teknik

Uswatun Nurjanah, Universitas Bengkulu

Program Studi Agroteknologi, Fakultas Pertanian
Cara Mengutip
Saputra, A. A., Susilo, B., Yusa, M., & Nurjanah, U. (2023). Sistem Pendeteksi Genus Gulma Pada Tanaman Jagung Menggunakan Algoritme Single Shot Detector. Rekursif: Jurnal Informatika, 11(1), 10–24. https://doi.org/10.33369/rekursif.v10i1.18634
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)
BibTeX

Referensi

  1. A, B., Ashqar, M., S, B., Abu-Nasser, S, S., & Abu-Naser. (2019). Plant Seedlings Classification Using Deep Learning. International Journal of Academic Information Systems Research (IJAISR), III(1), 7-14.
  2. Ahmad, & Junaedi. (2006). Ulasan perkembangan terkini kajian alelopat. Biopendix, 160-170.
  3. Arisandi, R., Dharmono, & Muchyar. (2015). Keanekaragaman Spesies Familia Poaceae di Kawasan Reklamasi Tambang Batubara PT Adaro Indonesia Kabupaten Tabalong . Seminar Nasional XII Pendidikan Biologi FKIP UNS (hal. 733-739). Banjarmasin: Postgraduate Program Lambung Mangkurat University.
  4. Bozkurt, E. (2019, 01 04). Github. (enginBozkurt) Dipetik 08 26, 2020, dari https://github.com/enginBozkurt/Object_Detection_With_SSD
  5. Cartucho, J. (2016, january 29). githup. Diambil kembali dari https://github.com/Cartucho: https://github.com/Cartucho/mAP
  6. Hartono. (2009). Inventarisasi Jenis-Jenis Tumbuhan yang dapat Digunakan sebagai Bahan Praktikum Sistem Transportasi pada Tumbuhan. Bionature, 93 - 101.
  7. Huang, J., Rathod, V., Sun, C., Zhu, M., Korattikara, A., Korattikara, A., . . . Murphy, K. (2017). Speed/Accuracy Trade-Offs for. IEEE Conference on Computer Vision and Pattern, II(2), 3296-3297.
  8. Indra, K. (2017, 04 2). https://www.teorieno.com/2017/04/klasifikasi-dan-morfologi-bandotan.html. Diambil kembali dari klasifikasi-dan-morfologi-bandotan: https://www.teorieno.com/2017/04/klasifikasi-dan-morfologi-bandotan.html
  9. Izzuddin, A., & Wahyudi, M. R. (2020). Pengenalan Pola Daun untuk Membedakan Tanaman Padi dan Gulma Menggunakan Metode Principal Components Analysis (PCA) dan Extreme Learning Machine (ELM). ALINIER, 44-51.
  10. Mas'ud, H. (2019). Komposisi dan Efisiensi. J. Agroland, 118-123.
  11. Muhazzab, M. Z., Soetedjo, A., & Ashari, I. (2019). Rancang Bangun Robot Pembersih Tanaman Gulma Padi Otomatis. Seminar Hasil Elektro S1 ITN Malang, 7(1), 4-9.
  12. Musriadi. (2014, 11 4). https://bengkulu.antaranews.com/berita/27751/produksi-jagung-bengkulu-2014-turun-21002-ton. Dipetik 08 20, 2020, dari https://bengkulu.antaranews.com/berita/27751/produksi-jagung-bengkulu-2014-turun-21002-ton
  13. Rachman, F. F., Bethaningtyas, H., & Iskandar, R. F. (2021). Analisis Sistem Deteksi Pengunaan Hard Hat Pada Pekerja Konstruksi Menggunakan Metode Jaringan Syaraf Tiruan Konvulasi. e-Proceeding of Engineering, 237-333.
  14. Razak, A. (2018). Survey Rumput Belulang (Eleusine indica L.) Resisten Glifosat Pada Lahan Jagung Di Provinsi Sumatera Utara, Lampung Dan Naggroe Aceh Darussalam. Medan: Universitas Sumatera Utara.
  15. Saptasari, & Murni. (2012). Pembelajaran Berbasis Kontekstual Sebagai Upaya Peningkatan Minat Mahasiswa pada Taksonomi Tumbuhan. Jurnal Pendidikan Dan Pembelajaran, 200-201.
  16. Sastroutomo, S. (1990). Ekologi gulma. PT Gramedia Pustaka utama , II(3), 557-558.
  17. Sivakumar, A. N., Li, J., Stephen Scott, E. P., Jhala, A. J., Luck, J. D., & Shi, Y. (2020). Comparison of Object Detection and Patch-Based Classification Deep Learning Models on Mid- to Late-Season Weed Detection in UAV Imagery. Remote Sens, 1-22.
  18. Tabri, A. F., & Fahdiana. (2017). Pengendalian Gulma pada Pertanaman Jagung. Balai Penelitian Tanaman Serealia, Maros, II(5), 235-238.
  19. Thohar, A. N., & Adhitama, R. (2019). Deteksi Objek Secara Real-Time Untuk Wayang Punakawan. Jurnal Infotel Informatika - Telekomunikasi - Elektronik, 11(4), 126-127.
  20. Yinta, N. M. (2020). Implementasi Deep Learning Object Detection Rambu K3 Pada Video Menggunakan Metode Convilutional Neural Network (CNN) Dengan Tensorflow. Yogyakarta: Universitas Islam Indonesia.