Arif Umami, S.Si, M.sc Primary Author Erick Firmansyah, S.P., M.Sc. (P) Primary Author Gusti Ashari Wira Satia Primary Author mixed material bibliography yogyakarta INSTIPER 2022 monographic

Text

INTISARI Efektivitas dan efisiensi operasional perkebunan merupakan faktor yang sangat penting untuk meningkatkan produksi dan profitabilitas pengusahaan kelapa sawit. Peningkatan efektivitas dan efisiensi operasional dapat dilakukan melalui penerapan prinsip pertanian presisi. Salah satu penghambat utama bagi tanaman untuk menghasilkan produksi optimal sesuai dengan potensinya adalah serangan penyakit pada daun. Meskipun demikian, kelemahan dari metode pengamatan manual adalah keterbatasan kemampuan observer dalam menilai suatu penyakit yang menyerang daun. Oleh karena itu, perlu adanya suatu sistem pendamping bagi pekebun sehingga dapat melaksanakan identifikasi dan pengendalian penyakit yang tepat dengan dampak lingkungan yang minimal. Penggunaan kecerdasan buatan (artificial intelligence) berpeluang digunakan dalam identifikasi penyakit pada pertanian presisi. Sebagian besar upaya identifikasi berbasis visual pada pertanian presisi menggunakan konsep visi komputer (computer vision), dan pembelajaran mesin (machine learning). Permasalahan yang menjadi objek riset adalah kebutuhan adanya perangkat lunak berbasis machine learning dan computer vision untuk melakukan identifikasi pnyakit dalam upaya mewujudkan praktek perkebunan kelapa sawit berkelanjutan. Identifikasi penyakit mencakup deskripsi nama penyakit pada perkebunan kelapa sawit. Metode pembangunan sistem rekognisi atau pengenalan jenis penyakit berbasis visi komputer dan pembelajaran mesin menggunakan platform Tensorflow (https://www.tensorflow.org/). Alur proses pembangunan sistem terdiri dari akuisisi data, akuisisi gambar daun yang terkena penyakit, data labeling dengan proses augmentasi data, konfigurasi dan inisiasi data latih di Tensorflow, generate aplikasi, proses prediksi gambar, dan tahap pengujian. Aplikasi digunakan dengan menggunakan sistem operasi Android secara realtime. Hasil pengujian terhadap model menunjukkan bahwa model telah mampu memprediksi dengan tingkat akurasi 85,5%. Diperlukan perbaikan pada dataset untuk perbaikan model dan meningkatkan akurasi hingga >95%. Kata kunci: penyakit, daun, kelapa sawit, pembelajaran mesin, visi komputer, pertanian presisi Antan 17183 penyakit, daun, kelapa sawit, pembelajaran mesin, BP-APR-2022 NONE Institutional Repository Institut Pertanian STIPER Yogyakarta APR.2022.UP.BP.146 My Library COVER s/d ABSTRAK LEMBAR PENGESAHAN BAB I BAB VI DAFTAR PUSTAKA s/d LAMPIRAN PUBLIKASI JOM Bebas Pustaka TURNITIN 18162 2022-02-24 10:10:16 2022-07-29 13:16:13 machine generated