tensorflow lite pada perangkat bergerak guna …

9
TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X 1 TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA PREDIKSI WAKTU PANEN PADA OPERASI PERTANIAN VERTIKAL Suryo Bramasto Program Studi Informatika Institut Teknologi Indonesia e-mail: [email protected] Abstrak Salah satu penerapan Internet of Things (IoT) pada bidang pertanian, adalah dimana perangkat IoT digunakan untuk melakukan prediksi waktu panen berdasar pertumbuhan lettuce pada sistem pertanian vertikal. Pada kasus prediksi pertumbuhan lettuce pada sistem pertanian vertikal, terdapat kebutuhan pengolahan data yang harus dekat dengan parangkat IoT dan dataset yang berasal dari sensor-sensor yang digunakan pada sistem pertanian vertikal. Dengan demikian model regresi bobot lettuce yang memprediksi pertumbuhan lettuce, harus mengimplementasikan pustaka yang secara spesifik untuk perangkat bergarak yakni TensorFlow Lite. Sistem pertanian vertikal memiliki struktur kabinet dan dilengkapi dengan berbagai sensor, aktuator, dan sistem irigasi. Sistem pertanian vertikal memiliki motherboard berupa perangkat bergerak berbasis Raspberry Pi dan terhubung dengan custom cloud server melalui jaringan internet. Raspberry Pi menjalankan TensorFlow Lite runtime guna eksekusi algoritma deep learning untuk prediksi pertumbuhan lettuce secara real time. Semua data tersimpan sementara secara lokal (cached) sebelum dikirim ke cloud Application Programming Interface (API). Hasil prediksi pertumbuhan lettuce menentukan waktu panen berdasar kombinasi sistem irigasi yang dibangun pada sistem pertanian vertikal. Guna menguji akurasi dari prediksi maka dilakukan pengujian regresi pada model teroptimasi untuk perangkat bergerak (model pada TensorFlow Lite runtime) dengan metric evaluasi yakni mean absolute percentage error (MAPE), yang mengukur seberapa jauh penyimpangan data hasil prediksi terhadap data hasil pengamatan. Untuk data uji yang digunakan dalam artikel ini diperoleh MAPE sebesar 9,44%. Dilakukan juga pengujian perbandingan performa antara model yang berjalan pada distribusi penuh TensorFlow dan model teroptimasi untuk perangkat bergerak yang berjalan pada TensorFlow Lite runtime. Uji perbandingan dilakukan pada perangkat bergerak Raspberry Pi yang berfungsi sebagai motherboard dari sistem pertanian vertikal. Berdasarkan uji performa tersebut diperoleh bahwa model teroptimasi yang berjalan pada TensorFlow Lite runtime berjalan sepuluh kali lebih cepat dibandingkan model yang berjalan pada instalasi penuh TensorFlow dalam melakukan prediksi waktu panen berdasar pertumbuhan lettuce, dengan hanya membutuhkan koneksi internet intermitten. Kata kunci: internet of things, prediksi, sistem pertanian vertikal, TensorFlow Lite Pendahuluan Evolusi dari IoT telah mengubah keseluruhan paradigma teknologi konvensional menjadi data driven dari ekosistem cerdas dan terkoneksi [1]. Data yang dihasilkan dari ekosistem cerdas dan terkoneksi tersebut harus ditransmisikan dengan kecepatan tinggi dan kemudian diolah atau dianalisis secara real time di data center atau infrastruktur cloud secara remote. Namun demikian dengan meningkatnya kebutuhan pengolahan data yang harus semakin dekat dengan perangkat IoT dan atau semakin dekat dengan datasets, sebagai contohnya untuk penerapan IoT di bidang pertanian, maka solusi big data juga harus tersedia pada perangkat bergerak [2]. Dewasa ini, Machine Learning (ML) telah mengubah paradigma komputasi. Bahkan dewasa ini banyak produk yang dikembangkan dengan Kecerdasan Buatan/Artificial Intelligence (AI) sebagai atribut utama dimana pengguna mengharapkan otomasi dan interaksi manusiawi dengan perangkat yang digunakan. Saat ini revolusi deep learning keberadaannya masih terbatas pada ranah cloud, namun dengan peningkatan performa pada microcontroller, perangkat tertanam, dan perangkat-perangkat IoT maka beberapa pustaka (libraries) ML telah dikembangkan ke perangkat-perangkat tersebut guna komputasi AI. Salah satu dari pustaka yang dimaksud adalah TensorFlow Lite [3], dimana pada artikel ini diimplementasikan pada operasi pertanian vertikal. Pada implementasi TensorFlow Lite untuk perangkat-perangkat IoT pada domain penerapan berupa pertanian vertikal, ML dan AI akan membantu optimasi hasil pertanian sekaligus melakukan prediksi terhadap kapan waktu panen.

Upload: others

Post on 08-Nov-2021

5 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA …

TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X

1

TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA PREDIKSI

WAKTU PANEN PADA OPERASI PERTANIAN VERTIKAL

Suryo Bramasto Program Studi Informatika Institut Teknologi Indonesia

e-mail: [email protected]

Abstrak

Salah satu penerapan Internet of Things (IoT) pada bidang pertanian, adalah dimana perangkat IoT

digunakan untuk melakukan prediksi waktu panen berdasar pertumbuhan lettuce pada sistem

pertanian vertikal. Pada kasus prediksi pertumbuhan lettuce pada sistem pertanian vertikal, terdapat

kebutuhan pengolahan data yang harus dekat dengan parangkat IoT dan dataset yang berasal dari

sensor-sensor yang digunakan pada sistem pertanian vertikal. Dengan demikian model regresi bobot

lettuce yang memprediksi pertumbuhan lettuce, harus mengimplementasikan pustaka yang secara

spesifik untuk perangkat bergarak yakni TensorFlow Lite. Sistem pertanian vertikal memiliki struktur

kabinet dan dilengkapi dengan berbagai sensor, aktuator, dan sistem irigasi. Sistem pertanian

vertikal memiliki motherboard berupa perangkat bergerak berbasis Raspberry Pi dan terhubung

dengan custom cloud server melalui jaringan internet. Raspberry Pi menjalankan TensorFlow Lite

runtime guna eksekusi algoritma deep learning untuk prediksi pertumbuhan lettuce secara real time.

Semua data tersimpan sementara secara lokal (cached) sebelum dikirim ke cloud Application

Programming Interface (API). Hasil prediksi pertumbuhan lettuce menentukan waktu panen berdasar

kombinasi sistem irigasi yang dibangun pada sistem pertanian vertikal. Guna menguji akurasi dari

prediksi maka dilakukan pengujian regresi pada model teroptimasi untuk perangkat bergerak (model

pada TensorFlow Lite runtime) dengan metric evaluasi yakni mean absolute percentage error

(MAPE), yang mengukur seberapa jauh penyimpangan data hasil prediksi terhadap data hasil

pengamatan. Untuk data uji yang digunakan dalam artikel ini diperoleh MAPE sebesar 9,44%.

Dilakukan juga pengujian perbandingan performa antara model yang berjalan pada distribusi penuh

TensorFlow dan model teroptimasi untuk perangkat bergerak yang berjalan pada TensorFlow Lite

runtime. Uji perbandingan dilakukan pada perangkat bergerak Raspberry Pi yang berfungsi sebagai

motherboard dari sistem pertanian vertikal. Berdasarkan uji performa tersebut diperoleh bahwa

model teroptimasi yang berjalan pada TensorFlow Lite runtime berjalan sepuluh kali lebih cepat

dibandingkan model yang berjalan pada instalasi penuh TensorFlow dalam melakukan prediksi

waktu panen berdasar pertumbuhan lettuce, dengan hanya membutuhkan koneksi internet intermitten. Kata kunci: internet of things, prediksi, sistem pertanian vertikal, TensorFlow Lite

Pendahuluan Evolusi dari IoT telah mengubah keseluruhan paradigma teknologi konvensional menjadi

data driven dari ekosistem cerdas dan terkoneksi [1]. Data yang dihasilkan dari ekosistem cerdas

dan terkoneksi tersebut harus ditransmisikan dengan kecepatan tinggi dan kemudian diolah atau

dianalisis secara real time di data center atau infrastruktur cloud secara remote. Namun demikian

dengan meningkatnya kebutuhan pengolahan data yang harus semakin dekat dengan perangkat IoT

dan atau semakin dekat dengan datasets, sebagai contohnya untuk penerapan IoT di bidang

pertanian, maka solusi big data juga harus tersedia pada perangkat bergerak [2].

Dewasa ini, Machine Learning (ML) telah mengubah paradigma komputasi. Bahkan

dewasa ini banyak produk yang dikembangkan dengan Kecerdasan Buatan/Artificial Intelligence

(AI) sebagai atribut utama dimana pengguna mengharapkan otomasi dan interaksi manusiawi

dengan perangkat yang digunakan. Saat ini revolusi deep learning keberadaannya masih terbatas

pada ranah cloud, namun dengan peningkatan performa pada microcontroller, perangkat tertanam,

dan perangkat-perangkat IoT maka beberapa pustaka (libraries) ML telah dikembangkan ke

perangkat-perangkat tersebut guna komputasi AI. Salah satu dari pustaka yang dimaksud adalah

TensorFlow Lite [3], dimana pada artikel ini diimplementasikan pada operasi pertanian vertikal.

Pada implementasi TensorFlow Lite untuk perangkat-perangkat IoT pada domain penerapan berupa

pertanian vertikal, ML dan AI akan membantu optimasi hasil pertanian sekaligus melakukan

prediksi terhadap kapan waktu panen.

Page 2: TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA …

TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X

2

Studi Pustaka Pertanian vertikal adalah metode baru pembudidayaan tanaman dalam lapisan-lapisan yang

bertumpuk secara vertikal dalam lingkungan yang terkendali secara penuh. Pertanian vertikal

bertujuan meminimalisir penggunaan air sekaligus memaksimalkan produktivitas dengan

membudidayakan tanaman secara bertumpuk di dalam kabinet dengan iklim terkendali, tanpa

tanah, melainkan menggunakan sedikit air bernutrisi. Sistem pertanian vertikal dapat menggunakan

bermacam-macam struktur seperti peti kemas, bangunan, lorong, maupun kabinet. Sistem pertanian

vertikal menggunakan kombinasi dari dua teknik irigasi yakni hydroponics dan aeroponics. Sistem

irigasi pada pertanian vertikal merupakan faktor utama pertumbuhan dan kesehatan tanaman

sehingga menjadi parameter kunci pada AI yang diterapkan. Sistem pertanian vertikal pada artikel

ini memiliki struktur kabinet yang mengimplementasikan kombinasi 4 cara irigasi yakni

hydroponic nutrient film technique (NFT), hydroponic ebb and flow system, high-pressure

aeroponic (HPA), dan nebulization aeroponic. Sistem pertanian vertikal pada artikel ini

ditunjukkan pada gambar 1. Pada sistem pertanian vertikal pada gambar 1 yang memiliki struktur

kabinet, terdapat berbagai sensor guna monitoring produksi selada dan lettuce. Sistem pertanian

vertikal pada artikel ini merupakan prototype dalam arti belum diperuntukkan guna produksi

massal.

Gambar 1. Sistem Pertanian Vertikal

TensorFlow adalah merupakan end-to-end machine learning platform yang dikembangkan

oleh tim Google Brain guna penggunaan internal Google. Pustaka free and open source dari

TensorFlow yang berada dibawah lisensi Apache 2.0 memungkinkan berbagai tugas ML seperti

desain dan pelatihan jaringan syaraf tiruan (JST) pada berbagai platform baik Central Processing

Units (CPUs), Graphics Processing Units (GPUs), serta Tensor Processing Units (TPUs). Pada

artikel ini digunakan TensorFlow 2.0 dan Python Application Programming Interface (API).

Metodologi Penelitian Kabinet guna pertanian vertikal indoor yang ditunjukkan pada gambar 1 terdiri atas 4 rak

yang mampu mendukung 12 tanaman yang disebar pada grid. Arsitektur sistem pertanian vertikal

pada artikel ini ditunjukkan pada gambar 2.

Page 3: TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA …

TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X

3

Gambar 2. Arsitektur Sistem Pertanian Vertikal

Sistem pertanian vertikal yang ditunjukkan pada gambar 2, terdiri atas beberapa bagian

yakni:

Kabinet dengan sensor, aktuator, dan

sistem irigasi

Raspberry Pi 3B+ sebagai

motherboard

Custom cloud server

Sebuah personal computer (PC) guna

rancang bangun

Pada kabinet tersebut terdapat 8 sensor dan 2 kamera per lapisan (tingkat/rak). 8 sensor tersebut

berfungsi untuk:

Karbondioksida (CO2 (ppm))

Oksigen terlarut/dissolved (O2

(ppm))

Konduktivitas elektrik (µS/cm)

Potensi reduksi oksidasi (mV)

Kepadatan photon flux fotosintesis

(PPFD (µmol/sq m/sec))

pH air

Kelembapan (%)

Suhu (oC)

Prototype sistem pertanian vertikal yang dibangun memiliki struktur 4 tingkat dengan tujuan

mengakomodir setiap sistem irigasi yang telah disebutkan sebelumnya (1 sistem irigasi untuk setiap

tingkat), guna mempelajari pengaruh masing-masing sistem irigasi terhadap pertumbuhan dan

kualitas tanaman. Aktuator membantu mengendalikan suhu, kadar CO2, dan pencahayaan.

Raspberry Pi merupakan otak dari sistem yang melakukan agregasi data dari sensor-sensor,

mengendalikan sistem irigasi dan aktuator-aktuator, serta mengukur area daun dengan bantuan

kamera dan beberapa algoritma pengolahan citra yang diimplementasikan dengan OpenCV [4].

Secara bersamaan Raspberry Pi juga menjalankan TensorFlow Lite runtime guna eksekusi

algoritma deep learning guna prediksi pertumbuhan tanaman secara real time. Semua data

tersimpan sementara secara lokal (cached) sebelum dikirim ke cloud API saat koneksi internet

tersedia. Piranti lunak yang berjalan pada Raspberry Pi ditulis dengan bahasa Python. Pemantauan

pertumbuhan tanaman dengan mengukur besar dari kepala tanaman lettuce dengan bantuan

OpenCV ditunjukkan pada gambar 3. Hasil pemantuan ini akan menjadi fitur guna prediksi kapan

waktu panen oleh TensorFlow.

Page 4: TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA …

TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X

4

Gambar 3. Pemantauan Pertumbuhan Tanaman dengan Bantuan OpenCV

Terdapat 3 hal di dalam custom cloud server yakni:

Sebuah API yang ditulis dengan bahasa pemrograman Go. API ini mengumpulkan data

dari Raspberry Pi.

Sebuah basis data yang dibangun dengan PostgreSQL guna menyimpan data dari

Raspberry Pi dan informasi detail tentang percobaan-percobaan serta fitur-fitur dari

tanaman (varietas, tanggal penanaman, dan sebagainya) guna penelitian agronomis.

Sebuah antarmuka berbasis web guna visualisasi data yang dikembangkan dengan

Elasticsearch-Logstash-Kibana (ELK) stack [5].

Model yang dibangun pada penelitian ini adalah regresi atau secara spesifik yakni regresi

bobot lettuce. Guna membangun model digunakan tf.keras API pada TensorFlow 2.0. Tujuan dari

model ini yakni memprediksi berat lettuce segar pada tanggal tertentu setelah penanaman.

Lingkungan yang digunakan untuk pembangunan model yakni Python 3.7, lingkungan virtual

dengan virtualenv [6], serta instalasi distribusi TensorFlow dengan pip. Instalasi TensorFlow

ditunjukkan pada gambar 4.

Gambar 4. Instalasi TensorFlow dengan pip

Contoh (sample) dataset pada penelitian ini ditunjukkan pada tabel 1. Sebagai catatan

dataset ini merupakan dataset yang disederhanakan guna kepentingan penulisan artikel.

Penyederhanaan dataset ini dilakukan karena data yang digunakan adalah data nyata yang berasal

Page 5: TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA …

TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X

5

dari berbagai sensor yang memiliki potensi kegagalan dan harus dikalibrasi ulang secara berkala.

Guna menghindari penyimpangan hasil analisis data, maka digunakan teknik-teknik preprocessing

yakni sampling, filtering, dan normalisasi, sebelum memasukkan data ke jaringan syaraf tiruan/JST

(artificial neural network).

Tabel 1. Contoh (Sample) Dataset

Fitur Deskripsi Nilai hasil sampling

Bobot Bobot kepala lettuce 135 gram

HSP Jumlah hari setelah penanaman 10 hari

PKCO2 Penjumlahan kumulatif dari CO2 4 ppm

PKCahaya Penjumlahan kumulatif dari cahaya 1420 umol/m2/detik

PKSuhu Penjumlahan kumulatif dari suhu 8623oC

LuasDaun Luas daun 156 cm2

Sistem irigasi (one-hot-encoding)

NFT Hydroponic nutrient film 0.0

HPA High-pressure aeroponics 1.0

Ebb&Flood Hydroponic ebb and flood 0.0

Nebu Nebulized aeroponics 0.0

Dataset dipisah menjadi dua yakni data latih dan data uji. Nilai yang akan diprediksi yakni bobot,

sehingga sembilan fitur yang lain akan dipisahkan menjadi masukan dari JST atau dengan kata lain

bobot adalah keluaran dari JST. Pemisahan dataset biasa disebut dengan istilah data splitting,

dimana pada artikel ini data splitting yang dilakukan yakni menghasilkan perbandingan data latih

dan data uji yakni 9:1.

Guna membangun model digunakan model sekuensial seperti ditunjukkan pada gambar 5,

dengan dua lapisan tersembunyi (hidden layer) yang terhubung secara rapat, serta sebuah lapisan

keluaran yang mengembalikan sebuah nilai tunggal yakni bobot lettuce segar. Jumlah lapisan

tersembunyi yang digunakan hanya dua dikarenakan data latih yang tidak banyak serta hanya

terdapat 9 fitur pada data latih. Sehingga pada kasus ini jaringan kecil dengan jumlah lapisan

tersembunyi yang sedikit merupakan pilihan guna menghindari overfitting. Fungsi aktivasi yang

digunakan yakni rectified linear unit (ReLU) dan untuk permasalahan regresi digunakan mean

squared error (MSE) loss function (loss functions lain digunakan untuk permasalahan klasifikasi).

Gambar 5. Kode Pembangun Model Sekuensial

Page 6: TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA …

TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X

6

Model yang dibangun ditunjukkan pada gambar 6, dimana jumlah masukan dari JST berjumlah

sembilan atau sejumlah fitur yang menjadi masukan. Dari gambar 6 ditunjukkan bahwa sembilan

fitur pada tabel 1 (selain bobot) dijadikan masukan model sekuensial, sedangkan bobot (fitur

pertama) menjadi keluaran. Selanjutnya model dapat dilatih menggunakan data latih dengan

perintah:

model.fit(train_features, train_weights, epochs=100, validation_split=0.2,

verbose=0)

Gambar 6. Model Sekuensial yang Dibangun

Setelah pelatihan, model terlatih disimpan dan diekspor seperti ditunjukkan pada gambar 7, dimana

model terlatih tersebut berukuran 86077 bytes. Hingga saat ini model terlatih yang dihasilkan

disebut juga model TensorFlow konvensional.

Gambar 7. Kode Guna Ekspor Model

Proses berikutnya adalah konversi dan penyimpanan model terlatih ke format TensorFlow

Lite dengan optimasi default, yakni dengan perintah berikut:

converter = tf.lite.TFLiteConverter.from_keras_model(model) tflite_model = converter.convert() open('./models/model.tflite', "wb").write(tflite_model)

Perintah tersebut menghasilkan model berukuran 20912 bytes, dimana ukuran ini akan direduksi

lagi menggunakan optimizers dari TensorFlow Lite Converter. Bentuk paling sederhana dari

kuantisasi post-training hanya mengkuantisasi bobot dari floating-point ke presisi 8 bits atau

disebut juga kuantisasi hibrida. Kode reduksi dengan kuantisasi tersebut ditunjukkan pada gambar

8.

Page 7: TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA …

TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X

7

model_size = os.path.getsize('./models/model.tflite')

print("TFLite model is {} bytes".format(model_size))

converter.optimizations = [tf.lite.Optimize.OPTIMIZE_FOR_SIZE]

tflite_quant_model = converter.convert()

Gambar 8. Reduksi dengan Kuantisasi

Proses reduksi lanjutan dengan kuantisasi menghasilkan model dengan ukuran 8672 bytes atau

kurang lebih sepersepuluh dari ukuran model TensorFlow konvensional. Pada saat ini model yang

diperoleh disebut sebagai model terlatih teroptimasi (model.tflite).

Selanjutnya model terlatih terpotimasi akan diterapkan (deployed) pada Raspberry Pi pada

sistem pertanian vertikal, dimana instalasi yang dilakukan pada Raspberry Pi tersebut hanya untuk

model.tflite saja, sedangkan pada PC rancang bangun digunakan Python 3.7 dan pip guna

instalasi TensorFlow Lite wheel package. Sistem operasi yang digunakan pada Respberry Pi adalah

Raspbian Buster, sehingga untuk instalasi Python wheel digunakan perintah sebagai berikut:

pip3 install https://dl.google.com/coral/python/tflite_runtime-2.1.0-cp37-

cp37m-linux_armv7l.whl

dimana proses berikutnya adalah eksekusi model dan melakukan prediksi dengan Python API.

Karena data yang digunakan merupakan data nyata dari berbagai sensor, maka teknik-teknik

preprocessing yang tepat menjadi keharusan untuk diimplementasikan guna sampling, penyaringan,

dan normalisasi data, sebelum menjadi masukan dari JST. Sehubungan dengan preprocessing

tersebut, terlebih dahulu harus dialokasikan memori untuk tensors dengan perintah sebagai berikut:

import tflite_runtime.interpreter as tflite interpreter = tflite.Interpreter(model_content=tflite_model_ffile) interpreter.allocate_tensors()

Selanjutnya fitur-fitur yang menjadi masukan diumpankan sebagai tensor masukan, lakukan invoke

terhadap interpreter, dan lakukan prediksi. Kode yang ditunjukkan pada gambar 9 memiliki array

bernama input_tensor yang berisi fitur-fitur masukan (semua fitur pada kolom Fitur dari tabel 1

selain Bobot, dan telah melalui proses preprocessing), dan tensor_index yang berisi nilai

sejumlah fitur yang menjadi masukan.

Gambar 9. Kode Guna Prediksi Bobot Lettuce

Hasil dan Pembahasan Dilakukan evaluasi terhadap akurasi model yang dibangun serta seberapa baik generalisasi

model terhadap set uji, dimana set uji tidak digunakan saat pelatihan model. Hasil evaluasi

menentukan seberapa akurat prediksi dari model untuk digunakan di dunia nyata. Evaluasi akurasi

ditunjukkan dengan grafik pada gambar 10. Tanda silang biru merupakan nilai bobot hasil prediksi

sebagai fungsi dari bobot sesungguhnya terhadap data uji (garis oranye), sedangkan error

Page 8: TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA …

TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X

8

merupakan jarak antara tanda silang biru dengan garis oranye atau dengan kata lain pada gambar

10 menunjukkan ditemukan error dalam data uji. Metric yang digunakan untuk evaluasi regresi

model adalah mean absolute percentage error (MAPE), yang mengukur seberapa jauh

penyimpangan data hasil prediksi terhadap data hasil pengamatan. Untuk data uji yang digunakan

dalam artikel ini diperoleh MAPE sebesar 9,44%. Nilai 9,44% secara statistik tergolong akurat

dimana nilai akurasi prediksi yang secara umum dijadikan acuan oleh para pelaku pertanian

vertikal adalah dinyatakan akurat jika MAPE < 10% dan jumlah outlier kurang dari 5 data [7].

Gambar 10. Grafik Evaluasi Akurasi Prediksi

Selanjutnya dilakukan uji performa yang membandingkan model terlatih pada instalasi

penuh dari distribusi TensorFlow pada Raspberry Pi yakni motherboard pada sistem pertanian

vertikal dengan model terlatih teroptimasi (model.tflite) yang menjalankan TensorFlow Lite

runtime juga pada motherboard dari sistem pertanian vertikal. Perbandingan tersebut ditunjukkan

pada gambar 11 dan gambar 12, dimana hasil yang merupakan running time ditampilkan dalam

ukuran detik.

Gambar 11. Running Time TensorFlow (model.tf) pada Motherboard Sistem Pertanian Vertikal

Gambar 12. Running Time TensorFlow Lite (model.tflite) pada Motherboard Sistem Pertanian

Vertikal

Page 9: TENSORFLOW LITE PADA PERANGKAT BERGERAK GUNA …

TECHNOPEX-2020 Institut Teknologi Indonesia ISSN: 2654-489X

9

Dari gambar 11 dan 12 ditunjukkan bahwa model.tflite pada TensorFlow Lite berjalan

sepuluh kali lebih cepat dibandingkan model.tf pada instalasi penuh TensorFlow. Koneksi internet

yang menghubungkan antara motherboard dengan custom cloud server saat running model.tflite

berjalan lancar dengan koneksi selular, dimana bandwidth yang dibutuhkan berkisar antara 30Kbps

hingga 750Kbps (intermitten connection).

Kesimpulan Berdasar penelitian yang dilakukan maka diperoleh kesimpulan sebagai bahwa TensorFlow

Lite dapat melakukan prediksi dengan hasil yang relatif akurat terhadap pertumbuhan lettuce pada

sistem pertanian vertikal tanpa membutuhkan perangkat komputer/server yang kuat. Begitupula

untuk koneksi internet yang dibutuhkan hanya sebatas koneksi intermitten, atau tanpa

membutuhkan koneksi internet yang cepat. TensorFlow Lite mereduksi kebutuhan komputasi

sekaligus ukuran dari model deep neural network, sehingga TensorFlow Lite runtime dapat

berjalan pada perangkat bergerak seperti Raspberry Pi. Dengan keberhasilan berjalannya model

deep neural network dengan TensorFlow Lite runtime pada Raspberry Pi maka diharapkan model

teroptimasi (model.tflite) dapat berjalan juga pada perangkat IoT bergerak lain yang juga banyak

digunakan pada sistem pertanian vertikal seperti misalnya microcontroller ARM Cortex-M.

Daftar pustaka [1] A. Singh, G. S. Aujla, S. Garg, G. Kaddoum, and G. Singh, “Deep-Learning-Based SDN

Model for Internet of Things: An Incremental Tensor Train Approach,” IEEE Internet Things

J., vol. 7, no. 7, pp. 6302–6311, Jul. 2020.

[2] G. S. Aujla, N. Kumar, A. Y. Zomaya, and R. Ranjan, “Optimal Decision Making for Big

Data Processing at Edge-Cloud Environment: An SDN Perspective,” IEEE Trans. Ind.

Informatics, vol. 14, no. 2, pp. 778–789, Feb. 2018.

[3] E. B. Martín Abadi, Ashish Agarwal, Paul Barham et al., “TensorFlow For Mobile & IoT.”

2015.

[4] Intel, “OpenCV.” 2020.

[5] Elastic, “What is the ELK Stack?” 2020.

[6] PyPA, “Virtualenv.” 2007.

[7] M. I. H. Bin Ismail and N. M. Thamrin, “IoT implementation for indoor vertical farming

watering system,” in 2017 International Conference on Electrical, Electronics and System

Engineering, ICEESE 2017, 2018.