Perpustakaan Digital ITB

Pertanian presisi, seperti sistem aeroponik, menjadi solusi inovatif untuk memenuhi kebutuhan pangan yang terus meningkat. Aeroponik adalah metode pertanian modern di mana akar tanaman menggantung di udara dan mendapatkan nutrisi melalui penyemprotan larutan nutrisi. Salah satu tantangan dalam sistem aeroponik adalah otomasi penyaluran nutrisi yang optimal sesuai fase pertumbuhan tanaman, yang sering kali ditentukan oleh panjang akar. Penelitian ini bertujuan mengembangkan sistem visi komputer berbasis deep learning untuk mengukur panjang akar kentang secara otomatis, yang hasilnya dapat digunakan untuk otomasi sistem penyemprotan. Metodologi penelitian mencakup beberapa tahap utama. Pertama, dilakukan pra-pemrosesan citra untuk mengoreksi distorsi lensa dan melakukan konversi rasio piksel per sentimeter per baris lubang tanam guna mengatasi efek perspektif. Selanjutnya, dikembangkan sebuah model segmentasi citra menggunakan arsitektur U-Net yang dilatih pada dataset akar tiruan. Dari mask biner hasil segmentasi, sebuah algoritma mengekstraksi panjang vertikal akar dengan mengukur jarak antara titik teratas dan terbawah kontur akar. Akurasi sistem kemudian divalidasi dengan membandingkan hasil pengukuran otomatis dengan pengukuran manual menggunakan penggaris sebagai ground truth. Hasil penelitian menunjukkan model U-Net yang dikembangkan berhasil melakukan segmentasi dengan akurasi validasi mencapai 97%. Proses validasi akhir dari algoritma pengukuran menunjukkan tingkat akurasi yang sangat tinggi, dengan rata-rata galat absolut sebesar 3,74% dibandingkan dengan pengukuran manual. Sistem ini berhasil menyediakan data kuantitatif panjang akar yang valid dan andal, membuktikan potensinya untuk diimplementasikan sebagai pemicu dalam sistem otomasi penyemprotan adaptif pada pertanian aeroponik.