Electronic Theses and Dissertation

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.

Efficiency and productivity improvement from the cultivation of hydroponic plants is such a main challenges in modern agriculture, especially in pest control that can damage the plants. The existence of pest is one of few factors that caused of decreased of vegetable productions. This research designing dan building a prototype of automatic pest detect and control system in hydroponic plants that based on YOLOv5 classification method and implemented using Raspberry Pi. This system is using a camera for a real time detection using the YOLOv5 model. The system will activate spray pump when there's pest detected, with the activation is done within certain time. YOLO model that used in this system was trained using datasets of pictures of plants that contaminated with pests, aiming to increase the detection accuracy in various of lighting and angle condition. This system also supported by Blynk app that integrated into Raspberry Pi so that pesticide capacity monitoring and switching on/off from every pumps can be done on a smartphone. Model training was done using 3 types of model, such as single-class which has singular class such as worms, then multi-class which includes 4 classes (worm, caterpillars, fleas and grasshoppers), and non-class which includes random pests that isn't type classified. In single-class model, has been obtained mAP50 in the amount of 97,6%, precision in the amount of 96,5% recall in amount of 97,6%. Meanwhile, in the multi-class model, has been obtained mAP50 in the amount of 91%, precision in the amount of 90,5% and recall in the amount of 84,3%. Lastly, in non-class model, has been obtained mAP50 in the amount of 96,9%, precision in the amount of 95,7% and recall in the amount of 94,7%. Moving system with framed video in 0,5 FPS and can be moved for 8 hours with enough lighting and with spray censor that provides responses around 2000-3000ms when there's pest detected.