Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Journal of Embedded Systems, Security and Intelligent Systems

Metode Perbaikan Citra Tanaman atas Variasi Iluminasi dengan Metode KNN (K-Nearest Neighbour) dan ANN (Artificial Neural Network) pada Sistem Prediksi Pigmen Fotosintesis secara Non Destruktif Marcelino Centauri Dwi Prasetyo; Kestrilia Rega Prilianti; Hendry Setiawan
Journal of Embedded Systems, Security and Intelligent Systems Vol. 3 No. 2 (2022): Vol 3, No 2 (2022): November 2022
Publisher : Program Studi Teknik Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Aplikasi Fuzzy Piction adalah aplikasi prediksi kandungan pigmen tanaman berbasis android yang dikembangkan oleh kelompok riset Precision Agriculture, Universitas Ma Chung Malang. Aplikasi mampu memprediksi kandungan 3 macam pigmen fotosintesis utama yaitu klorofil, karotenoid, dan antosianin secara non destruktif melalui citra daun tanaman yang sedang dievaluasi. Model prediksi dikembangkan dengan metode Convolutional Neural Network (CNN). Aplikasi menghadapi permasalahan akurasi yang terjadi karena variasi iluminasi di lapangan saat evaluasi terhadap tanaman dilakukan secara in-situ. Untuk menyelesaikan permasalahan tersebut, pada penelitian ini diimplementasikan metode perbaikan citra berbasis kecerdasan buatan yaitu KNN (K-Nearest Neighbor) dan ANN (Artificial Neural Network). Hasil eksperimen menunjukan bahwa metode KNN mampu memberikan perbaikan citra yang lebih baik. Indikator lebih baik dilihat dari presisi nilai prediksi pigmen dari beberapa citra pada iluminasi yang berbeda untuk objek tanaman yang sama. Nilai standar deviasi prediksi pigmen pada citra-citra hasil perbaikan dengan KNN berada pada kisaran 0,001 hingga 0,026 sedangkan dengan ANN berada pada kisaran 0,005 hingga 0,557. Sampel tanaman yang digunakan pada penelitian ini adalah Duranta Erecta dan Piper Betle.
Metode Deteksi Cepat Serangan Ganoderma pada Perkebunan Kelapa Sawit dengan Penginderaan Jauh William Wicaksono; Kestrilia Rega Prilianti; Hendry Setiawan; Prasetyo Mimboro
Journal of Embedded Systems, Security and Intelligent Systems Vol. 3 No. 2 (2022): Vol 3, No 2 (2022): November 2022
Publisher : Program Studi Teknik Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Di tengah krisis ekonomi dunia saat ini, industri sawit masih mampu menopang perekonomian domestik Indonesia. Oleh karena itu, potensi kerugian akibat penyakit yang terlambat terdeteksi dan mengakibatkan gagal panen harus diantisipasi sejak dini. Penyakit yang paling sering menyerang perkebunan kelapa sawit adalah Ganoderma. Luas area perkebunan kelapa sawit di Indonesia yang sangat besar merupakan tantangan bagi pengelola untuk dapat melakukan monitoring terhadap serangan Ganoderma secara komprehensif. Teknologi penginderaan jauh merupakan salah satu solusinya. Dengan menggunakan Unmanned Aerial Vehicle (UAV) seperti drone citra perkebunan kelapa sawit dapat direkam dengan cepat. Pada penelitian ini, citra UAV dari perkebunan kelapa sawit diproses menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur ResNet-34 untuk deteksi pokok pohon kelapa sawit. Pada hasil deteksi kemudian dilakukan ekstraksi nilai rerata RGB (Red, Green, dan Blue) dari setiap pokok pohon. Nilai rerata RGB kemudian digunakan sebagai input pada custom model Artificial Neural Network (ANN) untuk memprediksi status serangan Ganoderma (terinfeksi atau tidak terinfeksi) pada tiap pokok pohon. Akurasi model CNN deteksi pokok pohon (diukur dengan F1-Score) mencapai 84,61% untuk training dan 73,83% untuk testing. Sedangkan akurasi model ANN status serangan Ganoderma mencapai 91% untuk training dan 94% untuk testing. Dengan metode ini pengelolaan lahan terkait serangan Ganoderma dapat dilakukan dengan efektif dan efisien.