Evaluasi Viabilitas Benih Tomat Menggunakan Deep Learning Berbasis Citra RGB

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.