Visualisasi digital model fase pertumbuhan tanaman melon berbasis deteksi YOLOv8 menggunakan Unity

INDONESIA:

Identifikasi fase pertumbuhan tanaman melon secara manual masih banyak dilakukan oleh petani dan peneliti, namun metode tersebut memakan waktu, tidak konsisten, dan belum mampu menghasilkan representasi visual yang intuitif terhadap kondisi pertumbuhan tanaman, terutama pada sistem budidaya greenhouse berskala besar. Penelitian ini bertujuan untuk membangun visualisasi digital model fase pertumbuhan tanaman melon berdasarkan hasil deteksi YOLOv8 yang direpresentasikan dalam lingkungan Unity menggunakan citra kamera CCTV yang diunggah pengguna ke dalam sistem. Dataset yang digunakan merupakan data primer berupa 199 snapshot CCTV dari greenhouse kelompok yang mencakup lima kelas fase pertumbuhan, yaitu early vegetatif, late vegetatif, pembungaan, pertumbuhan buah, dan panen, dengan seluruh proses preprocessing, anotasi, augmentasi, dan pembagian dataset dilakukan melalui platform Roboflow. Model YOLOv8 dilatih menggunakan pengujian tuning parameter dua tahap dan menghasilkan konfigurasi terbaik pada epochs = 150, batch size = 16, dan optimizer = Adam, dengan nilai mAP@0.5 sebesar 0,8588 dan mAP@0.5:0.95 sebesar 0,5510, serta mampu mendeteksi fase pertumbuhan tanaman melon dengan akurasi 90% dari 10 citra uji. Komponen visualisasi digital model menggunakan mekanisme penentuan fase yang terdiri dari mekanisme minimum count, fallback majority vote, dan tiebreaker berbasis urutan kematangan biologis untuk menerjemahkan output deteksi menjadi keputusan fase dan representasi prefab 3D di Unity, dengan tingkat keberhasilan 100% pada seluruh 6 skenario uji. Evaluasi pengguna menggunakan metode uMARS menghasilkan rata-rata skor 4,16 yang menempatkan aplikasi pada kategori Baik, dengan subskala information quality memperoleh nilai tertinggi sebesar 4,30. Hasil pengujian secara keseluruhan menunjukkan bahwa sistem visualisasi digital model yang dikembangkan mampu merepresentasikan perubahan fase pertumbuhan tanaman melon secara dinamis, interaktif, dan informatif berdasarkan citra kamera CCTV yang diunggah pengguna ke dalam sistem

ENGLISH:

Manual identification of melon growth stages is still widely practiced by farmers and researchers; however, this method is time-consuming, inconsistent, and unable to produce an intuitive visual representation of plant growth conditions, particularly in large-scale greenhouse cultivation systems. This study aims to develop a digital visualization of melon plant growth phase models based on YOLOv8 detection results, represented within the Unity environment using CCTV camera images uploaded by users into the system. The dataset used consists of primary data comprising 199 CCTV snapshots from a greenhouse group covering five growth phase classes: early vegetative, late vegetative, flowering, fruit growth, and harvest. The entire process of preprocessing, annotation, data augmentation, and dataset splitting was conducted via the Roboflow platform. The YOLOv8 model was trained using a two-stage parameter tuning process and yielded the best configuration at epochs = 150, batch size = 16, and optimizer = Adam, with a mAP@0.5 of 0.8588 and an mAP@ 0.5:0.95 of 0.5510, and was able to detect melon plant growth phases with 90% accuracy across 10 test images. The model’s digital visualization component employs a phase determination mechanism comprising a minimum count mechanism, a fallback majority vote, and a tiebreaker based on biological maturity sequence to translate detection outputs into phase decisions and prefab 3D representations, with a 100% success rate across all 6 test scenarios. User evaluation using the uMARS method yielded an average score of 4.16, placing the application in the “Good” category, with the information quality subscale receiving the highest score of 4.30. The overall test results show that the developed digital model visualization system is capable of representing changes in the growth phases of melon plants in a dynamic, interactive, and informative manner based on CCTV camera images uploaded by users into the system

ARABIC:

لا يزال المزارعون والباحثون يعتمدون بشكل كبير على تحديد مراحل نمو نبات البطيخ يدويًّا، إلا أن هذه الطريقة تستغرق وقتًا طويلاً، وتفتقر إلى الاتساق، ولا توفر تمثيلًا بصريًّا بديهيًّا لحالة نمو النبات، لا سيما في أنظمة زراعة الدفيئة واسعة النطاق. يهدف هذا البحث إلى إنشاء نموذج رقمي لتصور مراحل نمو نبات البطيخ استنادًا إلى نتائج الكشف بواسطة YOLOv8، والتي يتم تمثيلها في بيئة Unity باستخدام صور كاميرات المراقبة (CCTV) التي يقوم المستخدمون بتحميلها إلى النظام. تتكون مجموعة البيانات المستخدمة من بيانات أولية تتمثل في 199 لقطة من كاميرات المراقبة (CCTV) لدفيئات مجموعة تشمل خمس فئات لمراحل النمو، وهي: المرحلة الخضرية المبكرة، والمرحلة الخضرية المتأخرة، ومرحلة الإزهار، ومرحلة نمو الثمرة، ومرحلة الحصاد، حيث تم إجراء جميع عمليات المعالجة المسبقة، والتعليق، والتعزيز، وتقسيم مجموعة البيانات عبر منصة Roboflow. تم تدريب نموذج YOLOv8 باستخدام اختبار ضبط المعلمات على مرحلتين، وأسفر عن أفضل تكوين عند epochs = 150، batch size = 16، optimizer = Adam، مع قيمة mAP@0.5 تبلغ 0,8588 mAP@ 0.5:0.95 ,تبلغ 0,5510، كما تمكنت من اكتشاف مراحل نمو نبات البطيخ بدقة تبلغ 90% من أصل 10 صور اختبار. تستخدم مكونات التصور الرقمي للنموذج آلية لتحديد المرحلة تتألف من آلية «الحد الأدنى للعدد»، و«التصويت بالأغلبية الاحتياطية»، و«كسر التعادل» استنادًا إلى تسلسل النضج البيولوجي، وذلك لترجمة نتائج الكشف إلى قرارات بشأن المرحلة وتمثيل ثلاثي الأبعاد جاهز في Unity، مع تحقيق نسبة نجاح بلغت 100% في جميع سيناريوهات الاختبار الستة. أسفرت تقييمات المستخدمين باستخدام طريقة uMARS عن متوسط درجة 4,16، مما يضع التطبيق في فئة «جيد»، حيث حصلت المقياس الفرعي لجودة المعلومات على أعلى درجة بلغت 4,30. أظهرت نتائج الاختبار بشكل عام أن نظام التصور الرقمي للنموذج الذي تم تطويره قادر على تمثيل تغيرات مراحل نمو نبات البطيخ بطريقة ديناميكية وتفاعلية وغنية بالمعلومات استنادًا إلى صور كاميرات المراقبة التي يقوم المستخدمون بتحميلها إلى النظام