<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="169583">
 <titleInfo>
  <title>RANCANG BANGUN PROTOTIPE PENGENDALI HAMA PADA SAYUR PAKCOY HIDROPONIK MENGGUNAKAN METODE YOLOV5</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>AZIZ WAHYU HARAHAP</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik Elektro dan Komputer</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Peningkatan efisiensi dan produktivitas dalam budidaya tanaman hidroponik merupakan tantangan utama dalam pertanian modern, terutama dalam hal pengendalian hama yang dapat merusak tanaman. Keberadaan hama sendiri menjadi salah satu faktor penyebab penurunan hasil produksi sayur. Penelitian ini merancang dan membangun prototipe sistem deteksi dan kendali hama otomatis pada tanaman hidroponik yang berbasis pada metode klasifikasi YOLOv5 dan diimplementasikan menggunakan Raspberry Pi. Sistem ini menggunakan kamera untuk pendeteksian secara realtime dengan menggunakan model YOLOv5s. Sistem akan mengaktifkan pompa penyemprotan apabila hama terdeteksi, dengan pengaktifan dilakukan pada rentang waktu tertentu. Model YOLO yang digunakan dalam sistem ini dilatih menggunakan dataset gambar tanaman yang mengandung hama, dengan tujuan meningkatkan akurasi deteksi dalam berbagai kondisi pencahayaan dan sudut pandang. Sistem ini juga didukung dengan aplikasi Blynk yang diintegrasikan pada Raspberry Pi agar bisa dilakukan monitoring kapasitas pestisida dan saklar on/off untuk tiap pompa melalui smartphone. Pelatihan model dilakukan menggunakan 3 jenis model, yaitu single-class yang memiliki kelas tunggal yaitu ulat, kemudian multi-class yang memiliki 4 kelas (ulat, caterpillar, kutu, dan belalang), dan non-class yang berisi hama acak tanpa adanya proses klasifikasi jenis. Pada model single-class diperoleh mAP50 sebesar 97,6%, precision sebesar 96,5%, dan recall sebesar 97,6%. Pada model multi-class diperoleh mAP50 sebesar 91%, precision sebesar 90,5%, recall sebesar 84,3%. Pada model non-class diperoleh mAP50 sebesar 96,9%, precision sebesar 95,7%, dan recall sebesar 94,7%. Sistem berjalan dengan frame video berada di angka 0,5 FPS dan dapat berjalan hingga 8 jam dengan pencahayaan yang cukup, dengan sensor semprot yang memberi respon sekitar 2000-3000ms saat terdeteksi hama.</note>
 <note type="statement of responsibility"></note>
 <subject authority="">
  <topic>WEB DATABASES - INFORMATION SYSTEMS</topic>
 </subject>
 <classification>025.042 2</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>169583</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-08-21 09:59:48</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-08-21 15:35:13</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>