Deteksi & Kuantifikasi Trikomatipe Glandular (Bulbose) Pada Citra Daun Tanaman Kentang menggunakan Deep Learning

Abstract

Kentang merupakan salah satu tanaman yang paling banyak diproduksi dan dibudidayakan di Indonesia, karena kentang mempunyai nilai gizi yang sangat tinggi. Supaya budidaya/produksi tanaman kentang memiliki kualitas yang baik, banyak orang dari kalangan petani, peneliti hingga pemulia tanaman berusaha agar mengeksplorasi dan memahami karakteristik sumber resistensi baru, salah satunya yaitu peranan trikoma sebagai mekanisme pertahanan pada tanaman. Trikoma merupakan bagian berupa rambut-rambut halus yang melapisi begian terluar pada daun tanaman yang berfungsi sebagai penghalang fisik dan kimia. Identifikasi dan kuantifikasi pada trikoma biasa dilakukan peneliti dengan perhitungan manual. Pekerjaan seperti ini tentunya akan menghabiskan banyak waktu dan tenaga serta tidak efektif. Maka dari itu kebutuhan akan adanya sistem yang dapat melakukan deteksi dan kuantifikasi trikoma secara otomatis sangat diperlukan agar identifikasi dan kuantifikasi pada trikoma tidak lagi dilakukan secara manual dan dapat dilakukan dalam waktu yang cepat. Penelitian ini menggunakan pendekatan deep learning untuk melatih model agar dapat melakukan deteksi dan kuantifikasi objek berupa trikoma. Arsitektur model yang digunakan yaitu YOLOv8. Dari hasil proses training yang telah dilakukan diperoleh hasil nilai mean average precision (mAP) pada treshold confidence = 50 yaitu 0,816 sedangkan nilai mAP pada treshold confidence = 90 yaitu 0,38. Dari model ini diharapkan dapat membantu pakar atau peneliti dibidang pertanian dalam melakukan identifikasi trikoma sehingga dapat mengoptimalkan hasil panen tanaman.