BAMBANG TRI WIBOWO (2025) SISTEM MONITORING KESEHATAN TANAMAN SELADA BERBASIS EDGE-AI MENGGUNAKAN ESP32-CAM PADA PERTANIAN HIDROPONIK UNTUK OPTIMALISASI HASIL TANAMAN. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (727kB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (628kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (124kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (161kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (564kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (786kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (865kB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (105kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (182kB)
[thumbnail of Lampiran] Text (Lampiran)
Lampiran.pdf
Restricted to Registered users only
Download (551kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (931kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (3MB)

Abstract

Pertanian hidroponik menjadi solusi efektif dalam mengatasi keterbatasan lahan pertanian di daerah perkotaan, namun kesibukan masyarakat urban kerap menjadi hambatan dalam melakukan pemantauan pertumbuhan tanaman secara konsisten. Penelitian ini mengembangkan sistem monitoring kesehatan tanaman selada berbasis Edge Artificial Intelligence (Edge-AI) menggunakan perangkat ESP32-CAM yang dilatih melalui platform Edge Impulse. Sistem ini melakukan klasifikasi kondisi tanaman selada dalam dua kategori, yaitu "subur" dan "layu", menggunakan model MobileNetV2-FOMO. Proses pelatihan menghasilkan akurasi sebesar 89,7%, dengan hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan tanaman layu dengan nilai F1-score sebesar 0,90 dan tingkat kesalahan klasifikasi sebesar 18,7%. Sistem juga dilengkapi integrasi dengan Telegram Bot untuk mengirim notifikasi secara real-time ketika tanaman dalam kondisi tidak subur terdeteksi. Dengan kemampuan pengolahan citra secara langsung pada perangkat dan pemberitahuan instan kepada pengguna, sistem ini terbukti efektif dalam mendukung pemantauan tanaman hidroponik secara efisien, hemat daya, dan berbiaya rendah, serta berkontribusi terhadap praktik pertanian presisi dan berkelanjutan.

Dosen Pembimbing: Karisma Trinanda Putra, , Ir., S.ST., M.T., Ph.D. | NIDN0519069003
Item Type: Thesis (S1)
Uncontrolled Keywords: IoT, Edge-AI, ESP32-CAM, Edge Impulse, hydroponics, plant classification, MobileNetV2-FOMO, F1-score, Telegram, precision agriculture
Divisions: Fakultas Teknik > S1 Teknik Elektro
Depositing User: Bima
Date Deposited: 19 Jun 2025 06:13
Last Modified: 19 Jun 2025 06:13
URI: https://etd.umy.ac.id/id/eprint/51472

Actions (login required)

View Item View Item