Aplikasi FLORYS : Deteksi Kesehatan Tanaman Hias Menggunakan Model YOLOv8
Keywords:
AI Project Cycle, Aplikasi Florys, Deteksi Penyakit Tanaman Hias, Model YOLOv8Abstract
Tanaman Hias kerap kali digunakan sebagai penghias rumah, kantor, dan sebagainya karena keindahannya. Namun banyak orang yang memiliki tanaman hias merasa kesulitan untuk merawatnya dengan baik karena minimnya pengetahuan tentang kondisi kesehatan tanaman hias dan cara merawatnya. Untuk mengatasi masalah ini, peneliti melakukan penelitian dengan membuat sebuah aplikasi berbasis android bernama Florys. Tujuannya adalah untuk membantu pemilik tanaman hias merawat tanamannya agar lebih sehat yang dapat dianalisis melalui foto atau hasil pemindaian tanaman, serta memberikan saran perawatannya. Metode yang digunakan adalah AI Project Cycle. Dimulai dengan pengumpulan dataset beranotasi dari platform Kaggle dan Roboflow, pelatihan model deteksi serta evaluasi performa model dengan menggunakan metrik precision, recall, dan mean Average Precision. Hasil penelitian menunjukkan bahwa model YOLOv8 mampu mendeteksi berbagai jenis penyakit tanaman hias dengan tingkat precision mencapai 73%, menunjukkan akurasi deteksi yang cukup tinggi. Model telah diuji dengan dua skenario yaitu untuk deteksi tanaman hias dalam kondisi sakit dan sehat. Pada pengujian deteksi tanaman sakit, model menghasilkan keluaran yang konsisten dengan tingkat kepercayaan tinggi, yang divalidasi dengan rata-rata hasil prediksi dikalikan faktor pengujian sebesar 0.5. Sedangkan untuk deteksi tanaman sehat, model menunjukkan hasil yang konsisten pula dengan faktor pengujian sebesar 0.8. Kedua pengujian ini membuktikan bahwa model memiliki kapabilitas dalam mengidentifikasi kondisi tanaman dengan akurat dan dapat memberikan rekomendasi perawatan yang tepat kepada pengguna.References
Azimah, F., & Rizky Nova Wardani, K. (2022). Sistem Pendeteksi Gejala Awal Covid-19 dengan Penggunaan Metode Al Project Cycle. Journal Locus Penelitian dan Pengabdian, 1(6), 405–418. https://doi.org/10.36418/locus.v1i6.135
Chalmin-Pui, L. S., Griffiths, A., Roe, J., Heaton, T., & Cameron, R. (2021). Why garden? – Attitudes and the perceived health benefits of home gardening. Cities, 112, 1–14. https://doi.org/10.1016/j.cities.2021.103118
Huang, S., He, Y., & Chen, X. A. (2021). M-YOLO: A Nighttime Vehicle Detection Method Combining Mobilenet v2 and YOLO v3. Journal of Physics: Conference Series, 1883(1). https://doi.org/10.1088/1742-6596/1883/1/012094
Lestari, A., Rosana Dewi, T., & Wardani, I. (2023). Analisis Minat Konsumen Terhadap Keputusan Pembelian Produk Pertanian Tanaman Hias Melalui Aplikasi Shopee. https://doi.org/10.32585/ags.v7i2.4622
Pineda, A., Kaplan, I., Hannula, S. E., Ghanem, W., & Bezemer, T. M. (2020). Conditioning the soil microbiome through plant–soil feedbacks suppresses an aboveground insect pest. New Phytologist, 226(2), 595–608. https://doi.org/10.1111/nph.16385
Putri, S. N. Y., Rahman, Y., & Lukito, W. (2024). Antarmuka aplikasi perawatan tanaman hias dengan metode design thinking. Jurnal Desain, 11(3), 577–587. https://doi.org/10.30998/jd.v11i3.20121
Raju, H., & Narasimhaiah, V. K. (2023). Insights on assessing image processing approaches towards health status of plant leaf using machine learning. IAES International Journal of Artificial Intelligence, 12(2), 884–891. https://doi.org/10.11591/ijai.v12.i2.pp884-891
Udjulawa, D. (2022). Klasifikasi Tanaman Hias Berdasarkan Tekstur Daun Menggunakan Metode Svm Dan Fitur Glcm. Jurnal Ilmu Komputer, 3(2). https://jurnal.uss.ac.id/index.php/klik/article/view/418/201
Zhou, Z., Zhang, Y., Gu, Z., & Yang, S. X. (2023). Deep learning approaches for object recognition in plant diseases: a review. In Intelligence and Robotics (Vol. 3, Issue 4, pp. 514–537). OAE Publishing Inc. https://doi.org/10.20517/ir.2023.29
