IMPLEMENTASI VISUAL FEEDBACK CONTROL BERBASIS DEEP LEARNING SSD MOBILENET UNTUK OTOMASI NUTRISI HIDROPONIK

Satria, Rheza Eka Ananda (2026) IMPLEMENTASI VISUAL FEEDBACK CONTROL BERBASIS DEEP LEARNING SSD MOBILENET UNTUK OTOMASI NUTRISI HIDROPONIK. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0922040070 - Rheza Eka Ananda Satria - Implementasi _i_Visual Feedback Control__i_ Berbasis _i_Deep Learning__i_ SSD _i_MobileNet__i_ untuk Otomasi Nutrisi Hidroponik.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Sistem hidroponik Nutrient Film Technique (NFT) masih banyak mengandalkan pemantauan manual dengan interval 7 hari sekali, sehingga keterlambatan dalam mendeteksi gangguan fisiologis, seperti klorosis dan tipburn, dapat menurunkan kualitas serta produktivitas tanaman. Penelitian ini mengimplementasikan Visual Feedback Control berbasis Deep Learning SSDLite MobileNetV3 untuk otomasi nutrisi pada tanaman selada (Lactuca sativa L.). Sistem menggunakan arsitektur Master-Slave, di mana laptop sebagai Master memproses citra tanaman melalui webcam untuk mengklasifikasikan kondisi tanaman menjadi tiga kelas, yaitu Seedling, Healthy, dan Unhealthy, sedangkan ESP32 sebagai Slave mengendalikan sensor pH, TDS, suhu, serta empat pompa peristaltik menggunakan metode Interval Threshold Control. Data sensor dan hasil klasifikasi diintegrasikan melalui protokol MQTT menggunakan HiveMQ Cloud untuk pemantauan near real-time. Hasil pengujian model menunjukkan nilai mAP50 sebesar 73%, mAP50-95 sebesar 55%, serta F1-Score kelas Healthy sebesar 92,9%, yang dipilih sebagai metrik utama karena mampu memberikan evaluasi yang seimbang pada dataset dengan distribusi kelas yang tidak merata. Pengujian pada satu plant bed berisi 30 tanaman menunjukkan bahwa sistem otomatis menghasilkan 28 tanaman sehat dengan survival rate 93,3%, lebih tinggi dibanding sistem manual yang menghasilkan 25 tanaman sehat dengan survival rate 83,3%, sehingga terjadi peningkatan survival rate sebesar 10%. Hasil penelitian membuktikan bahwa integrasi deteksi visual berbasis deep learning dengan kendali nutrisi otomatis mampu menjaga stabilitas parameter air dan meningkatkan keberhasilan budidaya selada hidroponik NFT.

Actions (login required)

View Item