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

Abstract

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.

Design of Livestream Video System and Classification of Rice Disease

“…The writer carried out the transfer learning process by using Darknet-53 model using data files, cfg files, and pre-trained weights. In addition, this algorithm was implemented on the Raspberry Pi 4 which was affected by the capabilities of the Raspberry Pi [24].  Training Dataset.…”