Perpustakaan Digital ITB

Saat ini, perawatan yang dilakukan untuk membersihkan celah antar paving block dari tanaman liar adalah menggunakan metode manual dan kimiawi. Pembersihan secara manual menggunakan alat bantu kape/scraper untuk mengorek tanaman liar yang tumbuh pada celah paving block, sedangkan pembersihan secara kimiawi menggunakan herbisida yang disemprotkan. Penggunaan kape untuk pembersihan paving block membutuhkan tenaga fisik dan daya tahan yang kuat karena area paving block yang dikerjakan setiap orang cukup luas, sehingga memiliki risiko cidera fisik. Penggunaan herbisida dapat dilakukan dengan cepat dan mencakup area yang luas, tetapi membahayakan kesehatan manusia dan lingkungan melalui residu penyemprotan maupun kontaminasi air resapan di area sekitar penggunaan. Untuk mengatasi permasalahan tersebut dibutuhkan alat untuk membantu pembersihan tanaman liar pada celah paving block dan tidak membahayakan kesehatan manusia dan lingkungan Sistem pembersihan yang dikembangkan adalah pembersihan otomatis dengan pemanasan menggunakan laser. Sistem pemanasan dengan laser memiliki presisi yang tinggi karena spot area yang kecil, sehingga memerlukan bantuan sistem lainnya untuk mendeteksi tanaman liar dan menentukan sasaran laser. Sistem pembantu tersebut dapat dirancang dan diimplementasikan menggunakan kamera dengan pengolahan citra lebih lanjut untuk deteksi dan lokalisasi. Sistem pengolahan citra yang dibuat menggunakan gabungan proyeksi balik citra dengan deteksi objek untuk mengestimasi koordinat nyata dari tanaman liar yang terdeteksi pada citra. Selain pengolahan citra, diperlukan pengaturan tingkah laku sistem keseluruhan untuk mengatur eksekusi perangkat lunak pada sistem sehingga dilakukan perancangan dan implementasi sub-sistem processing unit. Tingkah laku sistem pembersih tanaman liar pada paving block dimodelkan dengan FSM(Finite State Machine) yang memiliki 3 state utama yaitu idle, scanning, dan heating sesuai dengan tahapan kerja sistem. Pengolahan citra sistem dapat melakukan proyeksi balik dengan deviasi maksimal 4.2 mm dan mendeteksi tanaman liar pada paving block dengan mAP 20.3% dan waktu deteksi rata-rata 1.567 detik pada 58 gambar evaluasi. Performa deteksi model masih berada dibawah mAP benchmark 26.6%, hal ini disebabkan dataset paving memiliki sangat sedikit gambar training (215 sampel) sehingga model kekurangan sampel untuk menghasilkan deteksi yang lebih baik. Hasil pengujian sub-sistem pemindai citra secara fungsional dapat mendeteksi dan mengestimasi keberadaan tanaman liar pada koordinat nyata, serta titik tengah yang mengenai bagian tanaman liar. Pengujian lebih lanjut terhadap lebih banyak sampel dibutuhkan untuk mengetahui tingkat presisi estimasi koordinat nyata titik pusat bounding box mengenai tanaman liar, tingkat akurasi laser pemanasan mengenai tanaman liar , dan performa deteksi tanaman liar pada kondisi yang sebenarnya. Selain sub-sistem pemindai citra, pengujian sub-sistem processing unit dapat mengatur eksekusi perangkat lunak sistem sesuai dengan tingkah laku yang diatur FSM. Pengujian lebih lanjut diperlukan untuk memastikan integrasi antara sub-sistem processing unit dengan sub-sistem pemanas dan holder pemanas juga mengikuti tingkah laku seperti pada FSM.