Beragamnya jenis bunga yang ada serta memiliki spesies dan kemiripan pada setiap ragamnya, membuat para pecinta tanaman dan pembudi daya sulit untuk membedakan dalam penentuan jenis bunga, diperlukannya waktu yang sangat lama untuk mengetahui jenis bunga jika hanya mengandalkan panca indera saja. Penerapan algoritma K-Nearest Neighbor serta ekstrasi ciri terhadap warna dan tekstur sangat membantu dalam pengolahan citra untuk mengidentifikasi bunga menjadi lebih mudah dan mempersingkat waktu, dengan akurasi terbesar 71% menggunakan nilai K-7, identifikasi bunga berhasil dilakukan.
Kentang merupakan produk hasil pertanian yang memiliki kandungan tepung tertinggi keempat setelah jagung, gandum, dan padi. Pengelolaan pertanian kentang memiliki beberapa permasalahan diantaranya adalah penyakit pada daun kentang yang apabila tidak diselesaikan dapat menyebabkan hasil produksi yang buruk hingga gagal panen. Penyakit yang sering ditemui pada daun kentang yaitu early blight dan late blight. Kedua penyakit ini memiliki gejala serta penanganan yang berbeda, namun proses identifikasi yang lambat dapat menyebabkan tambahan biaya untuk perawatan. Pada penelitian ini penulis memanfaatkan algoritma deep learning yaitu convolutional neural network (CNN) untuk identifikasi citra pada daun kentang. Data yang digunakan pada penelitian ini berjumlah 5400 citra yang terbagi menjadi 3 kelas yaitu citra sehat, citra early blight, dan citra late blight. Hasil pengujian menunjukkan akurasi tertinggi pada data validation yaitu sebesar 99% sehingga dapat disimpulkan bahwa algoritma deeep learning convolutional neural network (CNN) dapat melakukan proses identifikasi penyakit pada citra daun kentang dengan baik.
Di Indonesia buah mangga merupakan tanaman yang tumbuh subur. Namun pemilihan jenis mangga sendiri masih dilakukan secara manual yakni memilah jenis mangga dengan membanding warna, bentuk dan ukuran. Salah satu perkembangan teknologi pada bidang perindustrian yakni jaringan syaraf tiruan yang mampu belajar sendiri layaknya manusia. Dalam penelitian ini dibuat sebuah sistem yang mampu mengklasifikasi jenis-jenis mangga. Sistem yang akan dibangun ini menerapkan jaringan syaraf tiruan untuk pemodelannya dan menggunakan ekstraksi ciri berupa mean RGB dan standar deviasi RGB, perimeter, luas, panjang, lebar, kebulatan, dan kerampingan. Pada proses percobaan klasifikasi jenis buah mangga digunakan jaringan syaraf tiruan propagasi balik (backpropagation) dengan melakukan variasi 2 model, yakni traingdx dan trainlm dan fungsi transfer layer logsig dan fungsi transfer output purelin. Model pengujian yang digunakan pada proses klasifikasi adalah k-fold cross validation dengan dasar variasi epoch, goal, dan learning rate dari pengujian menggunakan holdout validation. Berdasarkan hasil percobaan, didapat akurasi terbaik dengan 1 hidden layer sebesar 100% dengan waktu 10,45 detik kemudian pengujian k-fold menghasilkan rata-rata akurasi tertinggi 95,31% dengan rata-rata waktu 0,06 detik.
Abstract-Watering plants is one of farmer's activities. Most of Indonesian farmers use traditional watering method to water plants. It causes water productivity unmanaged properly and soil moisture level can not be monitored. To resolve these problems, an automatic watering system is developed. This system uses soil moisture sensors which provide real-time data. Data from multiple sensor node will be transmitted through wireless sensor network. LED in actuator node will turn on or off based on lower and upper set point values transmitted from coordinator node. Soil moisture sensors are calibrated using groundwater level to obtain correlation between sensor and groundwater level. Delay, throughput, and packet loss ratio are measured and result 0.2 seconds, 1.6 kbps, and 1.6%, respectively. These values showed that all automatic watering system were well implemented.Intisari-Salah satu aktivitas petani adalah mengairi tanaman. Sebagian besar petani Indonesia menggunakan teknik pengairan tradisional dalam mengairi tanaman, sehingga produktivitas air tidak terkelola dengan baik dan tingkat kelembaban tanah tidak termonitor. Untuk menyelesaikan permasalahan ini, dikembangkan suatu sistem irigasi otomatis. Sistem ini menggunakan sensor kelembaban tanah. Data diperoleh dari sensor secara real time. Data nilai sensor dari beberapa node sensor dikirimkan ke node koordinator melalui wireless sensor network (WSN). LED yang ada pada node aktuator akan menyala dan mati berdasarkan nilai lower setpoint dan upper setpoint yang dikirim dari node koordinator. Sensor kelembaban tanah telah dikalibrasi dengan kadar air tanah untuk mendapatkan hubungan antara nilai sensor dan kadar air tanah. Dari pengukuran, diperoleh nilai tunda, lantasan, dan packet loss ratio, yaitu tunda 0,2 detik, lantasan 1,6 kbps, dan packet loss ratio 1,6%, yang artinya semua sistem irigasi otomatis yang telah diimplementasikan berjalan dengan baik.Kata Kunci-node, sensor, WSN, irigasi, lantasan, tunda.I. PENDAHULUAN Air konsumtif sebagian besar digunakan untuk pengairan atau irigasi. Kebutuhan air konsumtif pada tahun 2010 terbagi menjadi beberapa bagian, yaitu untuk irigasi 89%, RKI (rumah tangga, perkotaan dan industri) 4%, peternakan 0,2%, dan perikanan 7% [1]. Kebutuhan air untuk irigasi sebagian besar belum dikelola dengan teknologi sistem irigasi berbasiskan komputer untuk memudahkan pengelolaan air dan membantu memonitor kelembaban tanah. Kebutuhan air setiap tahun meningkat sedangkan pasokan air setiap tahun berkurang, sehingga perlu dicari solusi dari permasalahan tersebut. Solusinya yaitu perlu dilakukan manajemen irigasi atau sistem irigasi yang tepat [2]. Sistem irigasi digunakan untuk pengaturan penyiraman tanaman sesuai dengan kondisi tanah dan ketersediaan air irigasi. Pada dasarnya, sistem irigasi terbagi menjadi tiga sistem, yaitu irigasi permukaan (surface irrigation), irigasi curah (sprinkler irrigation), dan irigasi mikro atau irigasi tetes [3].Ketiga sistem irigasi tersebut masih belum menggunakan teknologi komputer sebagai acuan dala...
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.