IMPLEMENTASI ALGORITMA YOLO UNTUK IDENTIFIKASI JENIS TANAMAN AGLAONEMA

Rizal Rudiansyah; Asril Adi Sunarto; Didik Indrayana

doi:10.23960/jitet.v12i3S1.5209

Rizal Rudiansyah
Universitas Muhammadiyah Sukabumi
Asril Adi Sunarto
Universitas Muhammadiyah Sukabumi
Didik Indrayana
Universitas Muhammadiyah Sukabumi

DOI: https://doi.org/10.23960/jitet.v12i3S1.5209

Abstract Views (Last 12 Months)

812 Abstract Views

834 Downloads

Abstract

Aglaonema merupakan salah satu tanaman hias yang sangat popular di Indonesia karena mempunyai warna dan juga daun yang indah. Pada saat ini, di Indonesia tanaman Aglaonema mempunyai lebih dari 30 jenis. Meskipun mempunyai daun yang indah dan beragam, keberagaman jenis pada tanaman Aglaonema ini menimbulkan kebingungan untuk penggemar tanaman Aglaonema yang awam karena ada beberapa jenis Aglaonema yang terlihat sama. Kesulitan dalam mengidentifikasi jenis tanaman ini terkadang dimanfaatkan oleh penjual tanaman aglaonema dengan cara menjual tanaman aglaonema yang mempunyai harga yang murah tetapi dinamai dengan tanaman aglaonema yang lebih mahal. Oleh karena itu penelitian ini bertujuan untuk mengembangkan model YOLOv8 yang dapat mengidentifikasi 13 jenis aglaonema yang sering ada di pasaran, seteleh model YOLOv8 dilatih model tersebut akan disematkan di sebuah website agar para penggemar dan juga pembeli tanaman Aglaonema dapat mengidentifikasi tanaman menggunakan web tersebut dengan cara mendeteksi tanaman menggunakan kamera dan web tersebut akan mengidentifikasi dan memberikan informasi berupa rentang harga pada setiap jenis aglaonema yang teridentifikasi. Oleh sebab itu penelitian ini tidak hanya menjadi kontribusi akademis tetapi juga menjadi salah satu pengembangan di bidang pertanian.

Downloads

Download data is not yet available.

References

M. Satrio and W. Agung Toto, “KLASIFIKASI TANAMAN AGLAONEMA BERDASARKAN CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN),” BIOEDUSAINSJurnal Pendidik. Biol. dan Sains, vol. 6, no. 2, pp. 672–682, 2023, doi: 10.31539/bioedusains.v6i2.8080.

B. D. Raharja and P. Harsadi, “Implementasi Kompresi Citra Digital Dengan Mengatur Kualitas Citra Digital,” J. Ilm. SINUS, vol. 16, no. 2, pp. 71–77, 2018, doi: 10.30646/sinus.v16i2.363.

Y. Fauzi, E. Andiono, and M. Khamali, “Aplikasi Object Detection and Tracking Untuk Penyandang Tunanetra dengan Internet of Things (IoT) (Menggunakan Bahasa Pemrograman Phyton),” Univ. Budiluhur, Jakarta 1 Jln. Raya Cilegon Serang KM.08 Kramatwatu, vol. 12260, pp. 1–6, 2020.

H. Kurniawan, B. Setiyono, and R. R. Isnanto, “Aplikasi Penjawab Pesan Singkat Automatis Dengan Bahasa Python,” Dr. Diss. Jur. Tek. Elektro Fak. Tek. Undip, 2011.

D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform., vol. 5, no. 2, pp. 697–711, 2021.

M. Fitriani, G. F. Nama, and M. Mardiana, “Implementasi Association Rule Dengan Algoritma Apriori Pada Data Peminjaman Buku UPT Perpustakaan Universitas Lampung Menggunakan Metodologi CRISP-DM,” J. Inform. dan Tek. Elektro Terap., vol. 10, no. 1, pp. 41–49, 2022, doi: 10.23960/jitet.v10i1.2263.

Y. P. Sari, A. Primajaya, and A. S. Y. Irawan, “Implementasi Algoritma K-Means untuk Clustering Penyebaran Tuberkulosis di Kabupaten Karawang,” INOVTEK Polbeng - Seri Inform., vol. 5, no. 2, p. 229, 2020, doi: 10.35314/isi.v5i2.1457.

I. Budiman, T. Prahasto, and Y. Christyono, “Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma,” J. Sist. Inf. Bisnis, vol. 1, no. 3, pp. 15–16, 2014, doi: 10.21456/vol1iss3pp129-134.

S. Kurniawan, W. Gata, D. A. Puspitawati, N. -, M. Tabrani, and K. Novel, “Perbandingan Metode Klasifikasi Analisis Sentimen Tokoh Politik Pada Komentar Media Berita Online,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 2, pp. 176–183, 2019, doi: 10.29207/resti.v3i2.935.

N. C. Sastya and I. Nugraha, “Penerapan Metode CRISP-DM dalam Menganalisis Data untuk Menentukan Customer Behavior di MeatSolution,” Unistek, vol. 10, no. 2, pp. 103–115, 2023, doi: 10.33592/unistek.v10i2.3079.

S. J. S. Tyas, M. Febianah, F. Solikhah, A. L. Kamil, and W. A. Arifin, “Analisis Perbandingan Algoritma Naive Bayes Dan C.45 Dalam Klasifikasi Data Mining Untuk Memprediksi Kelulusan,” J. Teknol. Inf. Dan Komun., vol. 8, no. 1, pp. 86–99, 2021, [Online]. Available: https://jurnal.plb.ac.id/index.php/tematik/article/view/576/365.

M. I. Komputer and F. T. Informasi, “OPTIMIZATION SENTIMENT ANALYSIS USING CRISP-DM AND NAÏVE BAYES METHODS IMPLEMENTED ON SOCIAL MEDIA,” vol. 6, pp. 74–85, 2022.