Sistem Pengenalan Benih Padi menggunakan Metode Light Convolutional Neural Network pada Raspberry PI 4 B

Indra Hermawan; Defiana  Arnaldy; Maria  Agustin; M. Farishanif Widyono; David  Nathanael; Meutia Tri  Mulyani

doi:10.54914/jtt.v7i2.443

Penulis

Indra Hermawan Politeknik Negeri Jakarta
Defiana Arnaldy Politeknik Negeri Jakarta
Maria Agustin Politeknik Negeri Jakarta
M. Farishanif Widyono Politeknik Negeri Jakarta
David Nathanael Politeknik Negeri Jakarta
Meutia Tri Mulyani Politeknik Negeri Jakarta

DOI:

https://doi.org/10.54914/jtt.v7i2.443

Kata Kunci:

Raspberry Pi, Deeplearning, Artificial Neural Network , LCNN, Padi

Abstrak

Baru-baru ini, metode pembelajaran mendalam dengan Convolution Neural Network (CNN) telah banyak digunakan untuk tugas klasifikasi gambar. CNN memiliki keunggulan yang tak tertandingi dalam mengekstraksi fitur gambar diskriminatif. Namun, banyak metode berbasis CNN yang ada dirancang untuk lebih dalam dan lebih besar dengan lapisan yang lebih kompleks. Sehingga membuatnya sulit untuk diterapkan pada perangkat seluler atau pada perangkat waktu nyata yang menggunakan mikrokontroler seperti raspberry pi, Arduino, dan lain sebagainya. Hal tersebut diatasi dengan menggunakan Light Convolution Neural Network (LCNN), maka perlu dilakukan percobaan untuk menguji seberapa besar perbedaan kinerja LCNN pada Personal Computer (PC) dan pada mikrokontroler raspberry pi 4 dengan sistem operasi Raspbian. Eksperimen dilakukan dengan menggunakan beberapa parameter kinerja yaitu accuracy, F-1 Score, recall, precision, dan waktu dari pengujian klasifikasi untuk mendapatkan hasil performa dari pembelajaran mendalam. Oleh karena itu, hasil dan arsitektur model akan mengkonfirmasi perbedaan kinerja di masing-masing perangkat dan menunjukkan bagaimana performa model pada perangkat yang dibatasi sumber daya atau berjalan secara waktu nyata. Pengujian menunjukkan bahwa kinerja pada raspberry pi yang merupakan alat dengan sumber daya terbatas tidak mempengaruhi kualitas pengenalan gambar, tetapi mempengaruhi waktu pemrosesan pengenalan, dikarenakan raspberry pi membutuhkan waktu proses yang lebih lama untuk melakukan satu proses pengenalan data atau foto. Hal tersebut akan mengakumulasi waktu yang dibutuhkan untuk pemrosesan data yang banyak, sehingga dapat disimpulkan bahwa raspberry pi dan alat dengan sumber daya terbatas sangat tidak efektif untuk melakukan pelatihan pengenalan dan melakukan proses pengenalan yang berisi banyak data atau foto dalam sekali prosesnya.

Unduhan

Data unduhan belum tersedia.

Referensi

I. Lee and K. Lee, “The Internet of Things (IoT): Applications, investments, and challenges for enterprises,” Bus. Horiz., vol. 58, no. 4, pp. 431–440, 2015, doi: 10.1016/j.bushor.2015.03.008.

H. A. Shiddieqy, F. I. Hariadi, and T. Adiono, “Implementation of deep-learning based image classification on single board computer,” 2017 Int. Symp. Electron. Smart Devices, ISESD 2017, vol. 2018-Janua, pp. 133–137, 2017, doi: 10.1109/ISESD.2017.8253319.

N. Yanti and M. Ulfah, “Aplikasi Jaringan Syaraf Tiruan Untuk Clustering Polutan Kimia Penyebab Pencemaran Udara,” JTT (Jurnal Teknol. Terpadu), vol. 3, no. 2, pp. 68–74, 2015, doi: 10.32487/jtt.v3i2.82.

N. Yanti and F. Z. Rachman, “Neural Network Application For The Analysis Of The Nutrition And Environment Effect To Microbial Growth Rate On Fermented Soybean Patty (Tempe) Fermentation,” JTT (Jurnal Teknol. Terpadu), vol. 4, no. 2, p. 100, 2016, doi: 10.32487/jtt.v4i2.171.

M. Nayak and P. Dash, “Original Research Paper Smart Surveillance Monitoring System,” no. June, pp. 16–19, 2018.

L. Jiang and Z. Zhang, “Research on image classification algorithm based on pytorch,” J. Phys. Conf. Ser., vol. 2010, no. 1, 2021, doi: 10.1088/1742-6596/2010/1/012009.

L. Enciso, R. Yaguana, R. Jaramillo, and E. Zelaya-Policarpo, “IoT in services for communities in the recognition of plates with OpenCV-python,” WEBIST 2018 - Proc. 14th Int. Conf. Web Inf. Syst. Technol., no. Webist, pp. 430–437, 2018, doi: 10.5220/0007235004300437.

V. Kovalev, A. Kalinovsky, and S. Kovalev, “Deep Learning with Theano, Torch, Caffe, TensorFlow, and Deeplearning4J: Which One Is the Best in Speed and Accuracy?,” Proc. 13th Int. Conf. Pattern Recognit. Inf. Process. (PRIP 2016), vol. 1, no. July 2017, pp. 99–103, 2016.

S. Dokrimare, “IoT based Smart Mirror using Raspberry Pi,” Int. J. Res. Appl. Sci. Eng. Technol., vol. 7, no. 4, pp. 1431–1434, 2019, doi: 10.22214/ijraset.2019.4257.

B. Balon and M. Simic, “Using Raspberry Pi Computers in Education,” 2019 42nd Int. Conv. Inf. Commun. Technol. Electron. Microelectron., no. March 2018, pp. 671–676, 2019, doi: 10.23919/mipro.2019.8756967.

X. Zhang, Y. Wang, and W. Shi, “PCamp: Performance comparison of machine learning packages on the edges,” USENIX Work. Hot Top. Edge Comput. HotEdge 2018, co-located with USENIX ATC 2018, vol. 2, no. 1, 2018.

D. Fitriati, “Perbandingan Kinerja CNN LeNet 5 dan Extreme Learning Machine pada Pengenalan Citra Tulisan Tangan Angka,” J. Teknol. Terpadu, vol. 2, no. 1, pp. 10–16, 2016.

T. W. Saleh, N. Buri, and A. A. Saragih, “Keragaan Hama, Penyakit Dan Musuh Alami Pada Budidaya Beberapa Varietas Padi Gogo Di Lahan Sawah,” Researchgate.Net, no. 270, pp. 163–170.

T. Yu and H. Zhu, “Hyper-Parameter Optimization: A Review of Algorithms and Applications,” pp. 1–56, 2020.

J. Firdaus and U. Ahmad, “Deteksi Benih Varietas Padi Menggunakan Gelombang Near Infrared dan Model Jaringan Saraf Tiruan Detection of Rice Seed Varieties Using Near Infrared Spectroscopy,” 2017.

S. Syarifah, I. Apriani, and R. H. T. Amallia, “IDENTIFIKASI GULMA TANAMAN PADI (Oryza sativa L. var. Ciherang) SUMATARA SELATAN,” J. Biosilampari J. Biol., vol. 1, no. 1, pp. 40–44, 2018, doi: 10.31540/biosilampari.v1i1.52.

M. K. Linga Murthy, D. Bhargavi, V. Nagamani, S. Divya, and P. Jagadeesh, “Novel approach for image cryptography,” J. Adv. Res. Dyn. Control Syst., vol. 12, no. 2, pp. 721–726, 2020, doi: 10.5373/JARDCS/V12I2/S20201088.

D. J. Norris, Machine Learning with the Raspberry Pi: Experiments with Data and Computer Vision. 2020.

M. Der Yang, H. H. Tseng, Y. C. Hsu, C. Y. Yang, M. H. Lai, and D. H. Wu, “A UAV open dataset of rice paddies for deep learning practice,” Remote Sens., vol. 13, no. 7, 2021, doi: 10.3390/rs13071358.

V. Gonzalez-Huitron, J. A. León-Borges, A. E. Rodriguez-Mata, L. E. Amabilis-Sosa, B. Ramírez-Pereda, and H. Rodriguez, “Disease detection in tomato leaves via CNN with lightweight architectures implemented in Raspberry Pi 4,” Comput. Electron. Agric., vol. 181, no. October 2020, 2021, doi: 10.1016/j.compag.2020.105951