Peningkatan Kecepatan Deteksi Gulma pada Fase Awal Pertumbuhan Tanaman Jagung Menggunakan Kombinasi Fitur Visual

Faisal Dharma Adhinata, Wahyono, S.Kom., Ph.D.; Dr. Raden Sumiharto, S.Si., M.Kom.

2026 | Disertasi | S3 Ilmu Komputer

Deteksi gulma dan tanaman jagung menggunakan data video memerlukan kinerja pemrosesan real-time. Penggunaan data video tidak hanya berfokus untuk memperoleh hasil klasifikasi yang benar, namun kecepatan pemrosesan datanya juga menjadi kebutuhan utama. Masalah muncul ketika melakukan pemrosesan data video, frames per second (fps) yang dihasilkan tidak mencapai fps pada spesifikasi data video, sehingga terdapat delay yang tidak memungkinkan berjalan real-time. Apabila terdapat delay dalam deteksi gulma, membuat sistem tidak presisi ketika diterapkan di lapangan. Pada penelitian ini menggunakan fitur handcrafted dan machine learning, dimana penggunaan fitur ini lebih cepat untuk memproses data dibanding penggunaan fitur non-handcrafted. Selain itu, kombinasi pemrosesan paralel dan skip frame berbasis tracking juga digunakan untuk meningkatkan kecepatan pemrosesan data video. Pemrosesan paralel dilakukan dengan memecah frame pada video menjadi potongan citra yang diolah secara paralel dengan memanfaatkan multi-core pada CPU. Tahap pra-pemrosesan sampai tahap segmentasi data diolah menggunakan pemrosesan paralel. Hasil pemrosesan paralel digabungkan kembali menjadi frame video untuk diolah secara non-paralel menggunakan tracking. Penggunaan skip frame dengan tracking pada data video berarti tidak mengolah semua frame pada video. Tahapan ekstraksi fitur dan klasifikasi hanya dilakukan di setiap kelipatan frame tertentu. Frame-frame yang tidak diolah akan menggunakan label pada frame sebelumnya. Hasil eksperimen menunjukkan terdapat peningkatan kecepatan dari metode non-paralel tanpa tracking 25,45 fps menjadi 43,99 fps menggunakan metode yang diusulkan. Melalui hasil ini, peningkatan kecepatan mencapai 72,82%. Hasil klasifikasi gulma dan tanaman jagung juga tidak berbeda jauh antara metode non-paralel tanpa tracking dengan metode yang diusulkan. Melalui hasil ini, metode yang diusulkan mampu berjalan real-time untuk memproses data video.

Detecting weeds and corn using video data requires real-time processing performance. The use of video data focuses not only on achieving correct classification results but also on data processing speed, which is a key requirement. The problem arises when processing video data because the resulting frames per second (fps) do not reach the fps specified in the video data, leading to delays that prevent real-time operation. Delays in weed detection can make the system imprecise when deployed in the field. This research uses handcrafted features and machine learning, where the use of these features is faster for processing data than using non-handcrafted features. In addition, a combination of parallel processing and tracking-based skip frame is also used to increase the speed of video data processing. Parallel processing is carried out by breaking the video frame into image chunks, which are processed in parallel using a multi-core CPU. The pre-processing stage through the segmentation stage is performed in parallel processing. The results of parallel processing are combined into video frames to be processed in a non-parallel using tracking. Using skip frames with tracking on video data means not processing all frames in the video. The feature extraction and classification stages are performed only at certain multiples of frames. Frames that are not processed will use the labels from the previous frame. Experimental results show a speed increase from 25.45 fps with non-parallel without tracking to 43.99 fps with the proposed method, a 72.82% increase. The classification results for weeds and corn also do not differ significantly between the non-parallel without tracking and the proposed method. These results demonstrate that the proposed method can process video data in real-time.

Kata Kunci : Fitur handcrafted, pemrosesan paralel, real-time, skip frame, tracking