| dc.description.abstract | Pertanian presisi merupakan pendekatan yang mengintegrasikan teknologi untuk meningkatkan efisiensi penggunaan sumber daya, produktivitas, dan keberlanjutan sistem budidaya. Pada budidaya Cabai Ayesha IPB dengan sistem pertanian vertikal, salah satu tantangan utama adalah serangan hama berukuran kecil (aphids, thrips, whitefly, dan caterpillar) yang sulit dideteksi secara akurat. Meskipun teknologi Computer Vision (CV) telah banyak dimanfaatkan untuk deteksi hama, sebagian besar penelitian masih berfokus pada peningkatan performa model deteksi tanpa mengintegrasikan hasil deteksi dengan sistem pemantauan dan pengendalian hama secara otomatis. Oleh karena itu, penelitian ini mengembangkan model pertanian presisi yang mengintegrasikan CV berbasis Yolov8 dan Internet of Things (IoT) untuk mendukung deteksi, pemantauan, dan pengendalian hama pada budidaya Cabai Ayesha IPB.
Untuk meningkatkan kemampuan Yolov8 dalam mendeteksi objek berukuran kecil (small object detection), penelitian ini mengusulkan metode augmentasi citra pada tahap pra-pemrosesan yang mengombinasikan teknik segmentasi, ekstraksi objek, lokalisasi area pengamatan, dan pembesaran citra menggunakan bicubic interpolation*. Dataset yang digunakan terdiri atas 14.419 citra hama yang terbagi ke dalam empat kelas objek dan dipartisi menjadi data latih, data validasi, dan data uji. Seluruh citra dianotasi sebagai ground truth sebelum proses pelatihan. Model kemudian dilatih menggunakan optimizer AdamW dengan learning rate 0,001 selama 70 epoch dan diimplementasikan pada aplikasi berbasis web yang terintegrasi dengan sistem IoT untuk mendukung pemantauan serta pengendalian hama.
Hasil pelatihan menunjukkan bahwa model mencapai nilai presisi rata-rata di atas 80 persen dengan training loss dan validation loss di bawah 1 persen, yang menunjukkan proses pembelajaran berlangsung secara optimal. Pada tahap pengujian, metode augmentasi terbukti meningkatkan kinerja deteksi dibandingkan model Yolov8 tanpa augmentasi. Nilai presisi meningkat dari 91 persen menjadi 96 persen untuk aphids, 75 persen menjadi 92 persen untuk thrips, 93 persen menjadi 96 persen untuk whitefly, dan 93 persen menjadi 99 persen untuk caterpillar, dengan peningkatan rata-rata sekitar 7 persen . Implementasi sistem pada budidaya vertikal Cabai Ayesha IPB juga menunjukkan bahwa sistem yang dikembangkan mampu menurunkan populasi hama hingga 75 persen, sehingga membuktikan efektivitas integrasi CV dan IoT dalam mendukung pengendalian hama pada sistem pertanian presisi.
Selain itu, implementasi sistem masih dipengaruhi oleh beberapa faktor teknis diantaranya saturasi cahaya saat akuisisi citra, pergerakan hama terutama thrips sebelum proses penyemprotan dilakukan, serta keterbatasan cakupan kamera dan aktuator yang masih berfokus pada sisi depan tanaman. Kondisi tersebut menunjukkan bahwa peningkatan kualitas akuisisi citra, penambahan sudut pengamatan, dan optimalisasi sistem penyemprotan masih diperlukan untuk meningkatkan efektivitas sistem secara menyeluruh pada lingkungan budidaya nyata.
Kebaruan penelitian ini terletak pada dua kontribusi utama. Pertama, penelitian ini mengembangkan teknik augmentasi citra pada tahap pra-proses untuk meningkatkan kemampuan Yolov8 dalam mendeteksi hama berukuran kecil. Pertama, penelitian ini meningkatkan kualitas representasi visual objek sebelum proses pelatihan sehingga mampu meningkatkan presisi deteksi tanpa memodifikasi arsitektur dasar Yolov8. Kedua, penelitian ini mengembangkan model pertanian presisi berbasis CV dan IoT pada sistem pertanian vertikal yang mengintegrasikan deteksi, pemantauan, dan pengendalian hama secara otomatis dalam satu sistem yang terintegrasi. Dengan demikian, penelitian ini memberikan kontribusi metodologis pada pengembangan small object detection berbasis augmentasi citra serta kontribusi praktis dalam pengembangan sistem pertanian presisi untuk budidaya Cabai Ayesha IPB pada lahan terbatas | |
