ESTIMASI WAKTU TUMBUH TANAMAN BASIL DAN SELEDRI BERBASIS COMPUTER VISION MENGGUNAKAN YOLOV11 PADA SISTEM HIDROPONIK VERTIKAL

Yanto, Rendi Dwi (2026) ESTIMASI WAKTU TUMBUH TANAMAN BASIL DAN SELEDRI BERBASIS COMPUTER VISION MENGGUNAKAN YOLOV11 PADA SISTEM HIDROPONIK VERTIKAL. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (COVER) COVER.pdf - Published Version Download (727kB) | Preview
Preview	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (302kB) | Preview
	Text (BAB I PENDAHULUAN) BAB 1.pdf - Published Version Restricted to Repository staff only Download (286kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB 2.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB 3.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB 4.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V PENUTUP) BAB 5.pdf - Published Version Restricted to Repository staff only Download (266kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (273kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Sistem hidroponik vertikal memerlukan pemantauan pertumbuhan tanaman dan kualitas air secara berkelanjutan agar tanaman dapat tumbuh optimal. Penelitian ini bertujuan menerapkan YOLOv11 untuk mendeteksi jenis tanaman dan mengestimasi umur tanaman basil serta seledri berdasarkan citra digital, sekaligus membandingkan metode Polynomial Regression dan Multi-Layer Perceptron (MLP) dalam memprediksi parameter kualitas air berupa TDS, pH, dan suhu air. Sistem dilengkapi dengan Internet of Things (IoT) untuk memperoleh data kualitas air secara real-time. Hasil pengujian menunjukkan bahwa YOLOv11 menghasilkan nilai Precision 96,38%, Recall 96,67%, mAP@50 98,16%, dan mAP@50–95 71,23%. Sementara itu, Polynomial Regression memberikan performa prediksi yang lebih baik dibandingkan MLP berdasarkan nilai R², RMSE, dan MAE pada seluruh parameter yang diuji. Penelitian ini menunjukkan bahwa integrasi Computer Vision, Machine Learning, dan Deep Learning mampu mendukung monitoring tanaman dan prediksi kualitas air pada sistem hidroponik vertikal.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Hidroponik vertikal; YOLOv11; Computer Vision; Polynomial Regression; MLP; Internet of Things (IoT)
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	05 Aug 2026 09:47
Last Modified:	05 Aug 2026 09:47
URI:	http://eprints.polsri.ac.id/id/eprint/24367

Actions (login required)

View Item