Rancang Bangun Model Deep Learning Untuk Deteksi Viabilitas Benih Pada Persemaian Cabai (Capsicum annum L.)
Abstract
Cabai (Capsicum annum L.) merupakan komoditas hortikultura yang memiliki nilai ekonomi
tinggi dengan permintaan konsumsi yang terus meningkat. Salah satu cara untuk meningkatkan
produksi cabai adalah dengan mengadakan sarana dan prasarana budidaya seperti rumah
persemaian berskala besar. Tingkat keberhasilan pertumbuhan bibit tanaman cabai pada rumah
persemaian dapat ditinjau dengan proses pemantauan yang tepat dan akurat. Saat ini pemantauan
persemaian tanaman cabai masih banyak menggunakan pengamatan langsung dengan mata.
Teknologi yang dapat digunakan dalam proses pemantauan adalah dengan menggunakan teknologi
deep learning. Tujuan penelitian ini adalah rancang bangun model deep learning untuk deteksi
viabilitas benih pada persemaian cabai (Capsicum annum L.) dengan memanfaatkan citra RGB
berbiaya murah. Penelitian ini menggunakan deep learning dengan algoritma YOLO yang terdiri
dari tahapan: (1) pengumpulan dataset, (2) pelabelan dataset, (3) training dataset, (4) uji model
hasil training, dan (5) implementasi model. Training deep learning menggunakan algoritma
YOLOv5s dan YOLOv5l dengan menggunakan dataset sebanyak 11.423 data dengan 3 kelas
parameter pertumbuhan benih yaitu berkecambah, tidak berkecambah, dan munculnya daun
kotiledon. Hasil pengujian model deep learning untuk deteksi viabilitas benih cabai dengan
menggunakan algoritma YOLOv5s dan YOLOv5l menunjukkan tingkat akurasi sebesar 96,4 %
dan 97,4%, presisi 95% dan 96%, dan nilai recall 95% dan 95,7%. Berdasarkan penelitian ini dapat
disimpulkan bahwa model cukup stabil dalam mendeteksi parameter pertumbuhan benih dengan
tepat sehingga model deep learning untuk deteksi viabilitas benih pada persemaian cabai bisa
digunakan.