Publisher

UNDANAUNDANA

Journal J-ICON: Jurnal Komputer dan InformatikaJ-ICON: Jurnal Komputer dan Informatika Abstract

Tanaman seperti halnya makhluk hidup yang lain membutuhkan kombinasi unsur hara untuk hidup tumbuh dan berkembang biak. Unsur hara di dalam tanaman juga dapat dibagi menjadi dua, yaitu unsur hara bergerak (mobile nutrient) dan unsur hara tidak bergerak (immobile nutrient). Kondisi tanaman yang mengalami defisiensi atau kekurangan unsur hara akan mengalami gangguan pertumbuhan dan mempengaruhi hasil panen daun atau buahnya. Warna daun dapat menjadi ciri tanaman dalam kondisi normal atau mengalami defisiensi unsur hara. Defisiensi unsur hara pada tanaman akan berpengaruh pada bentuk daun, produksi buah dan usia tanaman yang mengakibatkan tanaman tumbuh kerdil, dan lekas mati. Pada produksi buah akan terjadi kerontokan pada bunga atau bakal buah sehingga hasil produksi akan mengalami penurunan. Jika pemeliharaan tanaman dilakukan secara manual, maka setiap tanaman diamati untuk kemudian dianalisis apakah mengalami defisiensi unsur hara berdasarkan ciri fisiknya, dan proses ini memerlukan waktu dan ketelitian pengamatan. Manfaat penelitian ini adalah dapat mengidentifikasi defisiensi unsur hara pada tanaman cabai berbasis citra berdasarkan ciri warna Red, Green, Blue (RGB) dan ciri ekstraksi tekstur. Tujuan penelitian ini adalah membuat aplikasi berbasis machine learning dengan metode klasifikasi Support Vector Model (SVM) untuk mengidentifikasi kekurangan unsur hara yang terbagi dalam empat kelas, yaitu kekurangan nitrogen (N) dan fosfor (P), kekurangan P dan kalium (K), kekurangan N dan K, serta daun cabai dengan kelas normal. Data tanaman yang menjadi sampel pada penelitian ini adalah sebanyak 120 data dengan hasil akurasi sebesar 84,4%.

Conclusion

Hasil implementasi SVM untuk identifikasi empat kelas kekurangan unsur hara pada tanaman cabai menunjukkan bahwa tanpa proses ekstraksi fitur warna dan tekstur menghasilkan nilai tertinggi pada ke 3 kernel SVM yaitu poly, sigmoid, dan linear dengan akurasi tertinggi sebesar 84,4%.Untuk klasifikasi terendah pada ekstraksi tekstur GLCM sebesar 46,9%.Hal ini menunjukkan data yang tersedia antara kelas normal dan kelas terindikasi kekurangan unsur hara secara ciri tekstur sulit dibedakan.Akurasi meningkat ketika ada proses penggabungan fitur warna RGB dan fitur tekstur GLCM dengan akurasi mencapai 71,9% dengan parameter C=1 dan α=0.

Future Research

Penelitian ini dapat dilanjutkan dengan mengeksplorasi teknik klasifikasi lain seperti Neural Networks atau Deep Learning untuk meningkatkan akurasi dalam identifikasi defisiensi unsur hara, khususnya dalam klasifikasi yang sulit. Selain itu, penelitian lebih lanjut dapat dilakukan dengan mengeksplorasi penggunaan citra multispektral yang dapat memberikan informasi tambahan untuk mendeteksi kondisi tanaman lebih akurat pada berbagai fase pertumbuhannya. Selanjutnya, penelitian dapat difokuskan pada pengembangan aplikasi mobile yang dapat memberi informasi terkini mengenai kondisi unsur hara tanaman secara real-time, sehingga lebih mudah diakses oleh para petani untuk pengambilan keputusan yang lebih baik.

References

1. Automatic Classification of Nutritional Deficiencies in Coffee Plants. automatic nutritional deficiencies... chooser.crossref.org/?doi=10.1049/ic.2015.0317Automatic Classification of Nutritional Deficiencies in Coffee Plants automatic nutritional deficiencies chooser crossref doi 10 1049 ic 2015 0317
2. Development of a Wireless Computer Vision Instrument to Detect Biotic Stress in Wheat. development wireless... doi.org/10.3390/s140917753Development of a Wireless Computer Vision Instrument to Detect Biotic Stress in Wheat development wireless doi 10 3390 s140917753
3. Frontiers | Nitric oxide signaling in plants. frontiers nitric oxide signaling plants plant science us... doi.org/10.3389/fpls.2013.00553Frontiers Nitric oxide signaling in plants frontiers nitric oxide signaling plants plant science us doi 10 3389 fpls 2013 00553
4. J-ICON: Jurnal Komputer dan Informatika. nutrient deficiency chili support vector machine icon jurnal... doi.org/10.35508/jicon.v11i1.9803J ICON Jurnal Komputer dan Informatika nutrient deficiency chili support vector machine icon jurnal doi 10 35508 jicon v11i1 9803

Subjects

1. #tanaman cabai#tanaman cabai
2. #deep learning#deep learning

Metadata

File size	590.57 KB
Pages	6
Short Link	https://juris.id/p-1IJ
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report