Abstract:Abstract: Global climate change has increased the frequency and intensity of droughts that threaten national food security, particularly in rice agriculture sector. This research develops a system for identifying drought…
stress in rice plants using spectral analysis of multispectral images based on U-Net segmentation. The research methodology includes collecting multispectral images from rice fields, radiometric preprocessing and atmospheric correction, vegetation area segmentation using U-Net architecture, spectral feature extraction through vegetation index calculation (NDVI, NDWI, SAVI), and drought stress level classification. The U-Net architecture is trained to separate rice plant areas from the background with high accuracy, then analyzes the spectral response of plants to water deficiency. Research results show that the system can identify four levels of drought stress (normal, mild, moderate, severe) with an accuracy rate of 87.5%. The output is a spatial map of drought stress distribution that can be used as a basis for decision-making in irrigation management. This system provides significant contributions to precision agriculture and climate change adaptation in supporting sustainable food security.
Â
Keyword: Drought Stress, Rice Plants, Spectral Analysis, Multispectral Imagery, U-Net Segmentation
Â
Abstrak: Perubahan iklim global telah meningkatkan frekuensi dan intensitas kekeringan yang mengancam ketahanan pangan nasional, khususnya pada sektor pertanian padi. Penelitian ini mengembangkan sistem identifikasi stres kekeringan pada tanaman padi menggunakan analisis spektral citra multispektral berbasis segmentasi U-Net. Metodologi penelitian meliputi pengumpulan citra multispektral dari ladang padi, preprocessing radiometrik dan koreksi atmosferik, segmentasi area vegetasi menggunakan arsitektur U-Net, ekstraksi fitur spektral melalui perhitungan indeks vegetasi (NDVI, NDWI, SAVI), serta klasifikasi tingkat stres kekeringan. Arsitektur U-Net dilatih untuk memisahkan area tanaman padi dari latar belakang dengan akurasi tinggi, kemudian menganalisis respon spektral tanaman terhadap kekurangan air. Hasil penelitian menunjukkan sistem mampu mengidentifikasi empat tingkat stres kekeringan (normal, ringan, sedang, berat) dengan tingkat akurasi 87,5%. Output berupa peta spasial distribusi stres kekeringan yang dapat digunakan sebagai dasar pengambilan keputusan dalam manajemen irigasi. Sistem ini memberikan kontribusi signifikan terhadap pertanian presisi dan adaptasi terhadap perubahan iklim dalam mendukung ketahanan pangan berkelanjutan.
Â
Kata kunci: Stres Kekeringan, Tanaman Padi, Analisis Spektral, Citra Multispektral, U-Net Segmentation
Abstract:Abstract: Rice drying is a crucial post-harvest stage that affects the quality, shelf life, and economic value of rice. Conventional methods, such as sun drying and timer-based systems, are still predominantly used but are…
re less adaptive to weather changes, often resulting in reduced product quality. This study developed an automated rice drying control system based on multimodal deep learning by integrating visual images and weather sensor data. The YOLOv5 model was used to detect grain conditions with 95% accuracy, while sensor analysis using LSTM and Transformer achieved accuracies of 90% and 93%, respectively. Multimodal integration improved control accuracy to 96% through an automatic roof opening/closing mechanism responsive to weather conditions and grain moisture status. Test results show that this system is more efficient than the baseline method, with an average drying time of 12 hours, moisture content accuracy of ±96%, and 30% lower yield loss. These findings highlight the potential of multimodal deep learning in supporting precision agriculture and modernizing post-harvest processes in Indonesia, while also opening opportunities for developing similar systems for other food commodities to support sustainable food security.
Â
Keywords: Rice Drying, Intelligent Control System, Multimodal Deep Learning, Sensor Data, Visual Imagery
Â
Abstrak: Pengeringan padi merupakan tahap krusial pascapanen yang memengaruhi mutu, daya simpan, dan nilai ekonomis gabah. Metode konvensional, seperti penjemuran matahari dan sistem berbasis timer, masih dominan digunakan namun kurang adaptif terhadap perubahan cuaca, sehingga sering menurunkan kualitas hasil. Penelitian ini mengembangkan sistem kendali pengeringan padi otomatis berbasis multimodal deep learning dengan mengintegrasikan citra visual dan data sensor cuaca. Model YOLOv5 digunakan untuk mendeteksi kondisi gabah dengan akurasi 95%, sedangkan analisis sensor menggunakan LSTM dan Transformer menghasilkan akurasi masing-masing 90% dan 93%. Integrasi multimodal meningkatkan akurasi kendali menjadi 96% melalui mekanisme buka–tutup atap otomatis yang responsif terhadap kondisi cuaca dan status kekeringan gabah. Hasil uji menunjukkan sistem ini lebih efisien dibandingkan metode baseline, dengan waktu pengeringan rata-rata 12 jam, akurasi kadar air ±96%, serta kehilangan hasil 30% lebih rendah. Temuan ini menegaskan potensi penerapan multimodal deep learning dalam mendukung pertanian presisi dan modernisasi proses pascapanen di Indonesia, sekaligus membuka peluang pengembangan sistem serupa pada komoditas pangan lain untuk mendukung ketahanan pangan berkelanjutan.
Â
Kata Kunci: Pengeringan Padi, Sistem Kendali Cerdas, Multimodal Deep Learning, Data Sensor, Citra Visual
Abstract:Abstract: Rice stock management is very important in maintaining food security. This article aims to formulate an optimal strategy for rice stock management carried out by the Food Security, Agriculture and Fisheries Agency…
ncy in Medan City by integrating SWOT analysis through the IFAS (Internal Factor Analysis Summary) and EFAS (External Factor Analysis Summary) matrices. The study combines field research findings with relevant theories and references on rice stock management and food security in urban areas. The strategies derived from the SWOT analysis using the IFAS and EFAS matrices include strengthening the digital monitoring system, developing urban farming, fostering cross-sectoral collaboration, and improving evidence-based policies.
Â
Keywords: rice; EFAS; IFAS; strategy; SWOT.
Â
Abstrak: Pengelolaan stok beras merupakan hal yang sangat penting dalam menjaga keamanan pangan. Artikel ini bertujuan merumuskan strategi optimal pengelolaan stok beras yang dilakukan Dinas Ketahanan Pangan, Pertanian dan Perikanan di Kota Medan dengan mengintegrasikan analisis SWOT melalui matriks IFAS (Internal Factor Analysis Summary) dan EFAS (External Factor Analysis Summary). Kajian mengkombinasikan hasil penelitian lapangan dengan teori dan referensi yang relevan mengenai pengelolaan stok beras dan ketahanan pangan di daerah perkotaan. Strategi yang dihasilkan dari analisis SWOT dengan menggunakan matriks IFAS dan EFAS adalag memperkuat sistem monitoring digital, pengembangan urban farming, kolaborasi lintas sektor, dan perbaikan kebijakan berbasis bukti.
Â
Kata kunci: beras; EFAS; IFAS; strategi; SWOT.
Abstract:Abstract: This research was conducted on hydroponic farmers in Kelambir V Village, famous for agricultural commodities, where based on surveys and interviews with farmers and Umkm Eco Farm, Kelambir V Village, especially…
Umkm Eco Farm, has agricultural products, especially hydroponic healthy vegetables. However, the problems faced include marketing agricultural products is still limited to their own circles with conventional buying and selling to friends, family and friends and have not been able to penetrate a wider market. The research conducted aims to build a hydroponic sales application. The development of this website-based hydroponic farming sales system successfully facilitates transactions between consumers and Eco Farm more efficiently. The system also improves the sales management process and provides a better shopping experience for consumers. This implementation shows that the use of digital technology in the agricultural sector, especially the sale of hydroponic products, can increase operational effectiveness and efficiency and expand market reach.
Â
Keywords: Sales, Agriculture, Hydroponics, Green Vegetables, Website
Abstrak: Penelitian ini dilakukan pada petani hidroponik di Desa kelambir V terkenal dengan komoditas pertanian, dimana berdasarkan survey dan wawancara dengan petani dan umkm Eco Farm Desa kelambir V khususnya umkm Eco Farm memiliki hasil pertanian khususnya sayuran sehat hidroponik. Namun permasalahan yang dihadapi diantaranya pemasaran hasil pertanian masih dilakukan terbatas pada kalangan sendiri dengan jual beli konvensional kepada teman, keluarga dan sahabat dan belum mampu menembus pasar yang lebih luas. Penelitian dilakukan bertujuan untuk membangun sebuah aplikasi penjualan hidroponik. Pengembangan sistem penjualan hasil pertanian hidroponik berbasis website ini berhasil memfasilitasi transaksi antara konsumen dan Eco Farm dengan lebih efisien. Sistem ini juga memperbaiki proses manajemen penjualan dan memberikan pengalaman belanja yang lebih baik bagi konsumen. Implementasi ini menunjukkan bahwa penggunaan teknologi digital dalam sektor pertanian, khususnya penjualan hasil hidroponik, dapat meningkatkan efektivitas dan efisiensi operasional serta memperluas jangkauan pasar.
Â
Kata kunci: Penjualan, Pertanian, Hidroponik, Sayuran Hijau, Website
Abstract:Abstract: This research aims to implement the K-Means method for clustering red and yellow dragon fruit types using image processing techniques. Image processing is carried out by utilizing features such as color, texture,…
e, and shape from dragon fruit images obtained using a digital camera. The captured images are then processed through preprocessing stages such as conversion to a specific color space and feature extraction to describe the visual characteristics of the dragon fruit. Afterward, the K-Means algorithm is applied to cluster the images based on the similarity of their features. The clustering results show that the K-Means method is effective in distinguishing between red and yellow dragon fruit types, with a satisfactory accuracy rate. This study contributes to the development of an automated classification system for dragon fruit type identification based on images, which can be applied in agriculture, especially in the processing and distribution of products.
Â
Keyword: K-Means Method; Red Dragon Fruit Clustering; Yellow Dragon Fruit; Image Processing.
Â
Abstrak: Penelitian ini bertujuan untuk mengimplementasikan metode K-Means dalam mengklasterisasi jenis buah naga merah dan buah naga kuning menggunakan teknik pengolahan citra. Pengolahan citra dilakukan dengan memanfaatkan fitur-fitur warna, tekstur, dan bentuk dari citra buah naga yang diperoleh menggunakan kamera digital. Citra yang diambil kemudian diproses melalui tahap pra-pemrosesan seperti konversi ke ruang warna tertentu dan ekstraksi fitur untuk mendeskripsikan karakteristik visual dari buah naga. Setelah itu, algoritma K-Means diterapkan untuk mengelompokkan citra berdasarkan kemiripan fitur yang dimilikinya. Hasil pengklasteran menunjukkan bahwa metode K-Means efektif dalam memisahkan jenis buah naga merah dan kuning, dengan tingkat akurasi yang memadai. Penelitian ini memberikan kontribusi dalam pengembangan sistem klasifikasi otomatis untuk identifikasi jenis buah naga berdasarkan citra, yang dapat diterapkan dalam bidang pertanian, terutama dalam proses pengolahan dan distribusi produk.
Â
Kata kunci: Â Metode K-Means; Pengklasteran buah naga merah; Buah naga kuning; Pengolahan citra.
Abstract:Abstract: Agriculture is an important sector in the Indonesian economy, where vegetables such as cabbage (Brassica oleracea var. capitata) and carrots (Daucus carota subsp. sativus) play a significant role in meeting the…
nutritional needs of the community. With the increasing demand for fresh vegetable products, it is important to ensure accurate and efficient identification of these types of vegetables. Mistakes in identification can result in economic losses and affect the quality of products reaching consumers. Image processing technology and machine learning algorithms offer promising solutions to this problem. Image classification, which involves visual analysis of vegetable images, can be used to identify species based on features extracted from the image. Based on these problems, researchers are interested in conducting research on image classification of 2 types of vegetables, namely cabbage and carrots using the KNN and LDA algorithms. From this system, the accuracy results of the classification of green cabbage, purple cabbage and carrots using the KNN and LDA methods were 92.8571%. This research is expected to provide new insights into the use of modern technology to support the preservation and utilization of vegetable types and sustainability.
Â
Keyword: Hybrid Intelligence System; Vegetable Classification; Image Processing; LDA; KNN
Abstrak: Pertanian merupakan sektor penting dalam perekonomian Indonesia, di mana sayuran seperti kubis (Brassica oleracea var. capitata) dan wortel (Daucus carota subsp. sativus) memiliki peran signifikan dalam memenuhi kebutuhan gizi masyarakat. Dengan meningkatnya permintaan akan produk sayuran segar, penting untuk memastikan identifikasi yang akurat dan efisien terhadap jenis-jenis sayuran ini. Kesalahan dalam identifikasi dapat mengakibatkan kerugian ekonomi dan mempengaruhi kualitas produk yang sampai ke konsumen. Teknologi pemrosesan citra dan algoritma pembelajaran mesin menawarkan solusi yang menjanjikan untuk masalah ini. Klasifikasi citra, yang melibatkan analisis visual dari gambar sayuran, dapat digunakan untuk mengidentifikasi spesies berdasarkan fitur-fitur yang diekstraksi dari citra tersebut. Berdasarkan permasalahan tersebut maka peneliti tertarik untuk melakukan penelitian mengenai klasifikasi citra 2 jenis sayuran yaitu kol dan wortel menggunakan algoritma KNN dan LDA. Dari sistem tersebut didapatkan hasil akurasi dari klasifikasi jenis sayur kol hijau, kol ungu dan wortel menggunakan metode KNN dan LDA sebesar 92.8571 %. Penelitian ini diharapkan dapat memberikan wawasan baru dalam penggunaan teknologi modern untuk mendukung pelestarian dan pemanfaatan jenis sayur dan berkelanjutan.
Â
Kata kunci: Hybrid Intelligence System; Klasifikasi Sayur; Pengolahan Citra; LDA; KNN
Abstract:Abstract: Diseases in tomato plants can cause significant losses in agricultural production. Early detection of diseases in tomato fruits is crucial to take appropriate preventive measures to reduce losses caused by these…
e diseases. This research aims to propose an approach for disease detection in tomato fruits using the Local Binary Pattern (LBP) technique and the K Nearest Neighbour (KNN) algorithm. The method integrates feature extraction using LBP to extract texture features from images of diseased tomato fruits. Subsequently, the KNN algorithm is used to classify images based on the extracted features. This approach is implemented and evaluated using datasets of infected and healthy tomato fruit images. A total of 140 datasets are used in this study, with 71 data used for training and 69 used for testing. Based on the accuracy test results, an accuracy of 34.6% is obtained for the KNN model with K=3 and 25.5% for the KNN model with K=5 in the detection of tomato fruit diseases with a total of 69 data. The implications of this research are that the adoption of computer vision and machine learning techniques can enhance efficiency in managing plant diseases in agriculture.
Â
Keywords: local binary pattern; k-nearest neighbour; plant disease detection;tomato fruit;computer vision
Abstrak: Penyakit pada tanaman tomat dapat menyebabkan kerugian yang signifikan dalam produksi pertanian. Deteksi dini penyakit pada buah tomat menjadi krusial untuk mengambil tindakan pencegahan yang tepat guna mengurangi kerugian yang disebabkan oleh penyakit tersebut. Penelitian ini bertujuan untuk mengusulkan sebuah pendekatan deteksi penyakit pada buah tomat menggunakan teknik Local Binary Pattern (LBP) dan algoritma K Nearest Neighbour (KNN). Metode yang digunakan mengintegrasikan ekstraksi fitur menggunakan LBP untuk mengekstraksi ciri tekstur dari citra buah tomat yang terkena penyakit. Selanjutnya, algoritma KNN digunakan untuk mengklasifikasikan citra berdasarkan fitur-fitur yang diekstraksi. Pendekatan ini diimplementasikan dan dievaluasi menggunakan dataset citra buah tomat yang terinfeksi dan sehat. Sebanyak 140 dataset digunakan dalam penelitian ini, di mana 71 data digunakan untuk data latih dan 69 digunakan untuk data uji. Berdasarkan hasil uji akurasi, diperoleh nilai akurasi sebesar 34,6% untuk model KNN dengan K=3 dan 25,5% untuk model KNN dengan K=5 pada hasil dari pendeteksian penyakit buah tomat sebanyak total 69 data. Implikasi dari penelitian ini adalah adopsi teknik komputer vision dan machine learning dapat meningkatkan efisiensi dalam pengelolaan penyakit tanaman pada pertanian secara luas.
Â
Kata kunci: local binary pattern; k nearest neighbour;deteksi penyakit tanaman; buah tomat; komputer vision
Abstract:Abstract: Internet of Things (IoT) is a technology designed to make things easier for us by enabling connections with various devices via the internet. With IoT, daily work becomes easier and more efficient. This article…
is structured to identify the various benefits of IoT in the agricultural sector. The agricultural sector has an important role in the Indonesian economy with various commodities such as rice, palm oil, rubber, pepper, coffee, tea and others. IoT has great potential to transform the agricultural sector to become more productive, sustainable and ready to face future challenges. The result of writing this article is to provide an overview of the use of IoT in agriculture which can help farmers increase the yield and quality of their agriculture.
Â
Keywords: Internet of Things; Agriculture; Technology.
Â
Abstrak: Internet of Things (IoT) merupakan teknologi yang dirancang untuk memudahkan kita dengan memungkinkan koneksi dengan berbagai perangkat melalui internet. Dengan IoT, pekerjaan sehari-hari menjadi lebih mudah dan efisien. Artikel ini disusun untuk mengidentifikasi beragam manfaat IoT dalam sektor pertanian. Sektor pertanian memiliki peran penting dalam perekonomian Indonesia dengan berbagai komoditas seperti padi, kelapa sawit, karet, lada, kopi, teh, dan lainnya. IoT memiliki potensi besar untuk mengubah sektor pertanian menjadi lebih produktif, berkelanjutan, dan siap menghadapi tantangan di masa depan. Hasil dari penulisan artikel ini adalah memberikan gambaran tentang pemanfaatan IoT dalam pertanian yang dapat membantu petani meningkatkan hasil dan kualitas pertanian mereka.
Â
Kata kunci: Internet of Things; Pertanian; Teknologi.
Abstract:Artikel ini meninjau perkembangan riset terkini di Indonesia terkait topik penelitian jurnal ini, mengevaluasi metodologi yang digunakan, dan merumuskan rekomendasi praktis.
Abstract:Penelitian ini bertujuan untuk menganalisis dan mengimplementasikan metode optimal dalam pengembangan riset berkelanjutan. Hasil penelitian menunjukkan efisiensi sebesar 85%.