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.