<![CDATA[Otomatisasi pada smart garden mulai membutuhkan pemantauan pertumbuhan tanaman yang akurat dan efisien, dengan pengukuran luas daun sebagai salah satu parameter yang penting. Sebuah sistem segmentasi citra dikembangkan untuk menentukan luas dan mengidentifikasi konstanta daun menjari, khususnya tanaman pepaya (Carica papaya L.). Kinerja berbagai algoritma dianalisis secara komprehensif, meliputi segmentasi klasik, machine learning dengan Random Forest Classifier, dan deep learning dengan arsitektur U-Net serta YOLOv11-seg. Pengujian menyeluruh dilakukan dengan mengevaluasi skor IoU, akurasi, recall, dan presisi untuk kinerja segmentasi; nilai RMSE dan MSE untuk akurasi prediksi nilai konstanta; serta waktu pelatihan dan inferensi untuk efisiensi komputasi setiap model. Hasil menunjukkan bahwa model YOLOv11-seg memberikan kinerja segmentasi paling stabil secara keseluruhan, dengan capaian IoU yang tinggi dan konsisten pada objek daun (0.904) dan koin (0.883). Meskipun demikian, untuk tugas identifikasi nilai konstanta, Random Forest memberikan akurasi prediksi terbaik yang ditunjukkan dengan nilai RMSE terendah 0.016. Hasil ini mengonfirmasi potensi signifikan dari metode machine learning dan deep learning untuk diterapkan dalam sistem pertanian digital, guna mendukung otomatisasi pemantauan pertumbuhan tanaman secara presisi.]]>
Copyrights © 2025
