Deteksi Banyak Daun Sayuran Hidroponik Pakcoy Dengan Pengolahan Citra Menggunakan Metode R-cnn (region-based Convolutional Neural Network)

Indah Ayu Dewanti, Budhi Irawan, Casi Setianingsih

Abstract

Abstrak Hidroponik merupakan teknik bercocok tanam yang media tanamnya tidak menggunakan tanah, jenis tanaman yang biasanya ditanaman merupakan jenis sayuran. Teknik hidroponik ini digunakan karena tidak memerlukan lahan yang cukup luas untuk membuatnya. Dalam memantau pertumbuhan dan perkembangan sayuran hidroponik masih mengandalkan manusia, sehingga memerlukan waktu untuk pemantauan rutin secara langsung. Dari permasalahan tersebut muncul ide yaitu membuat sistem deteksi banyak daun sayuran hidroponik pakcoy untuk memantau kondisi sayuran hidroponik tersebut. Metode yang digunakan pada sistem ini yaitu metode R-CNN (Region-based Convolutional Neural Networks). Penelitian ini mendeteksi jumlah daun sayuran hidroponik pakcoy menggunakan metode R-CNN didapatkan akurasi sebesar 86% dengan kecepatan sistem 14,08 sec, partisi data 10% data testing dan 90% data training dengan learning rate 0,0002, epoch 6569, menggunakan sudut 0° dan jarak 35 cm dari sayuran pakcoy ke webcam. Kata Kunci: Hidroponik, memantau kondisi, menghitung jumlah daun, computer vision, R-CNN, deep learning. Abstract Hydroponics is a farming technique where the planting medium does not use soil, the type of plant that is usually planted is a type of vegetable. This hydroponic technique is used because it does not require a large enough area to make it. In monitoring the growth of hydroponic vegetables still rely on humans, so it requires time for routine monitoring directly. From this problem came the idea of creating a detection system for many Pakcoy hydroponic vegetable leaves to monitoring the condition of hydroponic vegetables. The method used in this system is the R-CNN (Regionbased Convolutional Neural Networks) method. The parameter used is counting many leaves from Pakcoy vegetables. This research count leaves of pakcoy hydroponic using the R-CNN method obtained an accuracy of 86% with a system speed of 14.08 sec, partitioning data 10% testing data and 90% training data with a learning rate of 0,0002, epoch 6569, using an angle of 0 ° and a distance of 35 cm from Pakcoy vegetables to the webcam. Keywords: Hydroponics, monitoring the condition, count leaves, computer vision, R-CNN, deep learning.

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0