APLIKASI CNN UNTUK ANALISIS VISUAL PERTUMBUHAN TANAMAN BITTER MELON DALAM SISTEM PERTANIAN AKUAPONIK

Wijaya, Rapli (2042) APLIKASI CNN UNTUK ANALISIS VISUAL PERTUMBUHAN TANAMAN BITTER MELON DALAM SISTEM PERTANIAN AKUAPONIK. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (Cover) COVER.pdf - Published Version Download (694kB) | Preview
Preview	Text (Abstrak) ABSTRAK.pdf - Published Version Download (225kB) | Preview
	Text (BAB I) BAB I.pdf - Published Version Restricted to Repository staff only Download (273kB) | Request a copy
	Text (BAB II) BAB II.pdf - Published Version Restricted to Repository staff only Download (606kB) | Request a copy
	Text (BAB III) BAB III.pdf - Published Version Restricted to Repository staff only Download (392kB) | Request a copy
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Repository staff only Download (888kB) | Request a copy
	Text (BAB V) BAB V.pdf - Published Version Restricted to Repository staff only Download (153kB) | Request a copy
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (187kB) | Request a copy
	Text (Lampiran) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Perkembangan teknologi Kecerdasan Buatan (Artificial Intelligence/AI) mendukung penerapan sistem pertanian cerdas melalui analisis visual. Pemantauan pertumbuhan tanaman secara manual memerlukan waktu lama dan kurang efisien, terutama pada skala budidaya yang besar. Tugas akhir ini mengembangkan sistem klasifikasi tahap pertumbuhan tanaman bitter melon pada sistem akuaponik menjadi enam kelas (Week1–Week6) menggunakan metode Convolutional Neural Network (CNN). Dataset berisi 1.200 citra yang diambil menggunakan kamera smartphone dan CCTV V360, kemudian diproses melalui tahapan preprocessing, augmentasi, dan pelabelan sebelum dilatih di Google Colaboratory dengan 20 epoch dan batch size 32. Model yang dihasilkan mencapai akurasi rata-rata 92% dan mampu menampilkan visualisasi pertumbuhan mingguan berdasarkan data panjang tanaman dari file JSON. Sistem ini mempermudah pemantauan pertumbuhan tanaman secara otomatis, mengurangi inspeksi manual, dan mendukung penerapan pertanian presisi, dengan potensi pengembangan ke pemantauan real-time serta analisis kesehatan tanaman berbasis citra multispektral.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	CNN, Deep Learning, Bitter Melon, Akuaponik, Klasifikasi Citra, Pertanian Presisi
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	16 Aug 2025 03:42
Last Modified:	16 Aug 2025 03:42
URI:	http://eprints.polsri.ac.id/id/eprint/18432

Actions (login required)

View Item