| dc.description.abstract | Penilaian viabilitas benih tomat penting untuk menjamin produktivitas
pertanian. Penelitian ini mengembangkan model deteksi otomatis berbasis
YOLOv8 untuk mengklasifikasi fase pertumbuhan kecambah tomat menggunakan
citra RGB. Dataset diperoleh dari dokumentasi harian selama proses persemaian
dan dilabeli menjadi tiga kelas: belum berkecambah, kecambah awal, dan
kecambah lanjut. Model dilatih dengan evaluasi menggunakan confusion matrix,
akurasi, presisi, recall, dan F1-score. Hasil terbaik diperoleh pada epoch 150
dengan akurasi 94%, presisi 94%, recall 93,7%, dan F1-score 93,7%. Model ini
diimplementasikan dalam aplikasi GUI menggunakan Qt Designer untuk
menghitung daya kecambah dan Germination Speed Index (GSI) secara otomatis.
Aplikasi menunjukkan bahwa populasi benih dengan durasi perkecambahan lebih
singkat menghasilkan nilai GSI lebih tinggi, mencerminkan vigor benih yang lebih
baik. Hasil ini membuktikan potensi teknologi deep learning berbasis citra sebagai
metode evaluasi viabilitas benih yang efisien dan real-time. | |
