Penerapan Algoritma Yolo untuk klasifikasi pertumbuhan tanaman melon pada sistem hidroponik

ABSTRAK:

Penelitian ini mengembangkan sistem berbasis computer vision menggunakan algoritma YOLOv8n untuk klasifikasi pertumbuhan tanaman melon pada sistem hidroponik yang terdiri dari tiga fase, yaitu vegetatif, berbunga, dan berbuah. Permasalahan utama dalam penelitian ini adalah proses pemantauan tanaman yang masih dilakukan secara manual sehingga bersifat subjektif, tidak efisien, dan tidak skalabel pada lingkungan greenhouse. Metode yang digunakan adalah YOLOv8n untuk mendeteksi bagian tanaman berupa daun, bunga, dan buah dari citra hidroponik, yang kemudian hasil deteksi tersebut diekstraksi menjadi fitur kuantitatif berupa jumlah masing-masing organ tanaman. Fitur tersebut selanjutnya digunakan dalam pendekatan klasifikasi berbasis aturan (rule-based) untuk menentukan fase pertumbuhan tanaman secara otomatis. Dataset yang digunakan berasal dari citra greenhouse hidroponik yang telah dianotasi ke dalam tiga kelas utama dan dilakukan proses preprocessing serta augmentasi untuk meningkatkan variasi data. Evaluasi model dilakukan menggunakan metrik object detection seperti Precision, Recall, F1-Score, mAP@0.5, dan mAP@0.5:0.95 serta evaluasi klasifikasi menggunakan Accuracy dan Confusion Matrix. Hasil penelitian menunjukkan bahwa model YOLOv8n mampu mendeteksi bagian tanaman dengan performa yang baik, dengan skenario terbaik pada augmentasi saturation ±90% yang menghasilkan F1-Score 0,8296 dan mAP@0.5:0.95 sebesar 0,5261, serta sistem klasifikasi fase pertumbuhan mencapai akurasi 87%. Dengan demikian, sistem yang diusulkan mampu memberikan solusi otomatisasi pemantauan tanaman yang lebih objektif, efisien, dan aplikatif untuk mendukung pertanian presisi pada budidaya melon hidroponik.

ABSTRACT:

This study developed a computer vision-based system using the YOLOv8n algorithm to classify the growth stages of melon plants in a hydroponic system, which consists of three phases: vegetative, flowering, and fruiting. The main problem addressed in this study is the plant monitoring process, which is still conducted manually and is therefore subjective, inefficient, and not scalable in a greenhouse environment. The method used is YOLOv8n to detect plant parts such as leaves, flowers, and fruits from hydroponic images; the detection results are then extracted into quantitative features representing the count of each plant organ. These features are subsequently used in a rule- based classification approach to automatically determine the plant’s growth phase. The dataset consists of annotated hydroponic greenhouse images categorized into three main classes, which underwent preprocessing and data augmentation to increase data variability. Model evaluation was performed using object detection metrics such as Precision, Recall, F1-Score, mAP@0.5, and mAP@0.5:0.95, while classification evaluation utilized Accuracy and the Confusion Matrix. The results show that the YOLOv8n model is capable of detecting plant parts with good performance, with the best results achieved at a saturation augmentation of ±90%, yielding an F1-Score of 0.8296 and a mAP@0.5:0.95 of 0.5261, while the growth stage classification system achieved an accuracy of 87%. Thus, the proposed system provides a more objective, efficient, and practical automated crop monitoring solution to support precision agriculture in hydroponic melon cultivation.

مستخلص البحث:

لتصنيف نو نبات YOLOv8n هدف هذا البحث جل تطوير نظام قائم على الرؤية الااوبية باتخدام خوارزمية الشمام ف نظام الزراعة الائية الذي يتكون من الث مراحل، وهي الرحلة الضرية، مرحلة اسزهار، ومرحلة اسثار. الشكلة ترى يدو ًي، ما يعلها ذات طابع شخصي، وري كنؤة، وري قابلة الرئيسية ف هذا البحث هي أن عملية مراقبة النبات ل تزال YOLOv8n للتواع ف بيئة البيوت المية. الطريقة الستخدمة هي خوارزمية لكتشاف أجزاء النبات مال الوراق، الزهار، والامار من فور الزراعة الائية، ث يتم ااتخراج نتائج الكتشاف هذه جل ميزات كمية تال عدد كل عضو من أعضاء ت ااتخدام النبات. تتستخدم هذه اليزات لحقيا ف مقاربة التصنيف القائمة على القواعد لتحديد مرحلة نو النبات تلقائييا. مموعة البيانت الستمدة من فور الدفيئة للزراعة الائية، والت ت توضيحها جل الث فئات رئيسية، وت تننيذ عملية العالة ت تقييم النموذج باتخدام مقاييس كشف الجسام مال الابات ).الولية وكذلك تكبي البيانت لز ًدة تنوعها Precision ،( الاتجاع ) بسضافة جل تقييم التصنيف باتخدام الدقة mAP@0.5:0.95، و F1 ،mAP@0.5(، مقياس Recall ) ( ومصنوفة اللتباس )Accuracy قادر على YOLOv8n(. أظهرت نتائج البحث أن نوذج Confusion Matrix بقدار F1اكتشاف أجزاء النبات بداء جيد، مع أفضل السيناريوهات عند ز ًدة التشبع ±90%، حيث حقق مقياس بقدار 0.5261، كما أن نظام تصنيف مرحلة النمو وفل جل دقة 87%. وبلتال، فإن 0.8296mAP@0.5:0.95 و النظام القتح قادر على تقدي حل لتتة مراقبة النباتت بشكل أكار موضوعية وكناءة وقابلية للتطبيق لدعم الزراعة الدقيقة ف زراعة الشمام ف نظام الزراعة الائية.