Implementasi Faster R-CNN dalam Deteksi Gulma pada Tanaman Kangkung

Abstract

Sebagai negara terbesar di Asia Tenggara yang berspesialisasi dalam bidang pertanian, Indonesia memiliki potensi luar biasa dalam budidaya kangkung, tanaman yang dikenal dengan nilai gizinya yang tinggi. Namun demikian, proses menanam kangkung bukannya tanpa tantangan, dengan salah satu kendala utama adalah masalah gulma. Tanaman yang tidak diinginkan ini, yang cenderung tumbuh subur di sekitar tanaman kangkung, dapat berperilaku seperti parasit dengan menyerap nutrisi penting dan air, sehingga menghambat pertumbuhan dan perkembangan tanaman kangkung. Akibatnya, menjadi penting untuk membersihkan tanah sebelum penanaman untuk mencegah efek merugikan yang disebabkan oleh gulma ini. Namun, metode tradisional untuk menghilangkan gulma ini secara manual terbukti sangat tidak efisien dan memakan waktu, menuntut upaya dan sumber daya yang signifikan. Oleh karena itu, dalam konteks khusus ini, pemanfaatan teknologi pertanian pintar yang menggabungkan deteksi objek muncul sebagai solusi menawan untuk mengatasi kesulitan ini. Dengan menggunakan teknik deteksi objek di bidang penglihatan komputer, menjadi layak untuk secara otomatis dan cepat mengidentifikasi keberadaan gulma pada daun tanaman kangkung. Dalam penelitian ini, algoritma Faster R-CNN, yang menggunakan arsitektur ResNet50, digunakan untuk menilai efektivitasnya dalam mendeteksi dan mengklasifikasikan gulma. Hasil penyelidikan ini menunjukkan bahwa algoritma Faster R-CNN mencapai skor Mean Average Precision (MAP) 37,16, menunjukkan kompetensinya dalam deteksi gulma.