View/Open

Author
ALVIN, SAPUTRA

Date Published
22 Jun 2026

Advisor
Nike Dwi Grevika Drantantiyas, S.Si., M.T.,
Ahmad Suaif, S.Si., M.Si.,

Subject
Teknik Fisika

Publisher

Penelitian ini bertujuan mengembangkan sistem deteksi dan estimasi nilai nutrisi (ppm) pada tanaman bayam hidroponik menggunakan model YolOOD yang terintegrasi dengan Internet of Things (IoT). Estimasi nutrisi dilakukan berdasarkan citra daun sebagai metode nondestruktif untuk mendeteksi defisiensi nutrisi secara dini. Dataset terdiri atas enam kelas konsentrasi nutrisi, yaitu 100, 300, 500, 700, 900, dan 1200 ppm, dengan 300 citra pada setiap kelas. Tahapan penelitian meliputi anotasi, augmentasi, preprocessing, serta pembagian data latih dan validasi dengan rasio 70:30. Model dilatih selama 50 epoch menggunakan batch size 4, ukuran input 416×416 piksel, optimizer Adam, dan learning rate 0,0001. Evaluasi dilakukan menggunakan mAP@50, MAPE, RMSE, dan koefisien determinasi (R²). Hasil menunjukkan model mencapai mAP@50 sebesar 0,93, sedangkan estimasi nilai ppm menghasilkan MAPE 16 persen, RMSE ternormalisasi 0,1571, dan R² sebesar 0,7903. Pengujian sistem memberikan rata-rata akurasi prediksi sebesar 84 persen, dengan akurasi tertinggi 99,08 persen pada 100 ppm. Kalibrasi sensor TDS, pH, dan DS18B20 menunjukkan akurasi di atas 95 persen dengan linearitas sangat baik (R² > 0,99). Sistem berhasil diintegrasikan dengan Raspberry Pi dan Google Firebase secara real-time. Meskipun model mampu mendeteksi kondisi visual daun dengan baik, akurasi estimasi nilai ppm masih perlu ditingkatkan.

URI
https://repository.itera.ac.id/depan/submission/SB2607070005

Keyword
bayam Citra daun defisiensi nutrisi YolOOD IoT