Kohesi: Jurnal Sains dan Teknologi

Articles

Vol. 10 No. 6 (2025): Kohesi: Jurnal Sains dan Teknologi, ISSN 3025-1311

Implementasi Sistem Multimedia untuk Identifikasi Tanaman Nilam Berbasis Computer Vision Menggunakan YOLOv8

Submitted
November 27, 2025
Published
2025-11-27

Abstract

Penelitian ini mengembangkan sistem multimedia berbasis computer vision untuk mengidentifikasi tanaman nilam (Pogostemon cablin). Sistem ini memanfaatkan teknologi pemrosesan citra digital, akuisisi visual, dan integrasi data multimedia untuk menyediakan metode pemantauan tanaman yang lebih akurat dibandingkan metode manual. Algoritma YOLOv8 (You Only Look Once versi 8) digunakan karena kemampuannya dalam mendeteksi objek secara cepat dan tepat pada beragam kondisi pencahayaan, sehingga sesuai dengan kebutuhan aplikasi multimedia yang bersifat interaktif dan real-time.

Tahapan penelitian meliputi pengumpulan dataset citra, praproses gambar, serta pelatihan model YOLOv8 yang dibandingkan dengan Convolutional Neural Network (CNN). Hasilnya menunjukkan bahwa YOLOv8 memiliki performa lebih unggul dalam hal akurasi dan kecepatan deteksi, sehingga sangat efektif untuk diterapkan dalam sistem multimedia cerdas yang mendukung pengambilan keputusan berbasis visual. Implementasi sistem ini diharapkan dapat membantu pengelolaan tanaman nilam secara lebih efisien, meningkatkan produktivitas, dan mendorong pemanfaatan teknologi AI di sektor pertanian.

References

  1. Y. Zhu, C. Wang, H. Zhang, and J. Liu, “SerpensGate-YOLOv8: A Novel Lightweight and Accurate Model for Plant Disease Detection,” Frontiers in Plant Science, vol. 15, p. 1514832, 2024.
  2. D. R. Syahputra, B. Priambodo, and M. A. Rahman, “Deteksi dan Klasifikasi Hama Potato Beetle pada Tanaman Kentang Menggunakan Yolov8,” J. Teknol. Inform. dan Ilmu Komput., vol. 11, no. 2, pp. 205–213, 2024.
  3. R. Handayani, M. A. Fithri, and D. R. Nasution, “Klasifikasi Penyakit Padi berdasarkan Citra Daun Menggunakan Model Terlatih Resnet101,” J. RESTI, vol. 7, no. 1, pp. 95–102, 2023.
  4. R. Maulana and T. Hariyadi, “Klasifikasi Penyakit Daun Bawang Menggunakan Algoritma CNN Xception,” Pros. Inotek, vol. 8, no. 2, pp. 202–210, 2023.
  5. R. A. Irwanto and S. R. Dwi, “Identifikasi Tanaman Obat Indonesia Melalui Citra Daun Menggunakan Metode Convolutional Neural Network (CNN),” J. Teknol. Inform. dan Ilmu Komput., vol. 10, no. 1, pp. 93–100, 2023.
  6. I. N. Dewi, M. Sari, and D. S. Hasibuan, “Isolasi Bakteri Rhizosfer Tanaman Nilam (Pogostemon Cablin Benth.) Yang Berpotensi Sebagai Penghasil Senyawa Antibakteri Terhadap Bakteri Penyebab Infeksi Saluran Pencernaan,” Wahana Oeuvre Humaniora, vol. 7, no. 1, pp. 56–63, 2023.
  7. M. A. Azmi, D. S. Putri, and L. Irwanda, “Klasifikasi Kematangan Tanaman Hidroponik Pakcoy Menggunakan Metode SVM,” J. RESTI, vol. 6, no. 4, pp. 741–748, 2022.
  8. Z. Zuyasna, H. Hamdani, and L. Lestari, “Pertumbuhan tanaman nilam MV1 varietas Lhokseumawe akibat konsentrasi dan lama perendaman kolkisin,” Agro Bali: Agricultural Journal, vol. 4, no. 1, pp. 23–33, 2021.
  9. S. Saosang, N. Mambuhu, and H. A. Katili, “Analisis tingkat kesuburan tanah pada tanaman nilam (Pogostemon cablin) di Desa Balingara dan Desa Bella Kecamatan Nuhon,” Jurnal Ilmiah Mahasiswa Fakultas Pertanian, vol. 2, no. 1, pp. 155–161, 2022.
  10. Z. Zulfan, H. Fitri, and M. Mahdani, “Pertumbuhan Tanaman Nilam MV1 Varietas Lhokseumawe Akibat Konsentrasi dan Lama Perendaman Kolkisin,” Jurnal Agro, vol. 13, no. 2, pp. 87–95, 2021.
  11. A. Santoso and A. Nur, “Perbanyakan Tanaman Nilam (Pogostemon cablin Benth.) Menggunakan Sistem Fotoautotrofik dengan Berbagai Konsentrasi Gula dan Jumlah Ventilasi,” J. Agron. Indones., vol. 50, no. 3, pp. 275–284, 2022.
  12. A. Esteva et al., “Deep learning-enabled medical computer vision,” npj Digital Medicine, vol. 4, no. 1. Nature Research, Dec. 01, 2021. doi: 10.1038/s41746-020-00376-2.
  13. Y. Nurhadi, D. I. Mulyana, and Y. Akbar, “Klasifikasi rumput liar menggunakan algoritma deep learning dengan Dense Convolutional Neural Network,” Progresif: Jurnal Ilmiah Komputer, vol. 19, no. 1, pp. 347–358, Feb. 2023.
  14. C. Janiesch, P. Zschech, and K. Heinrich, “Machine learning and deep learning,” Electronic Markets, vol. 31, no. 3, pp. 685–695, 2021.
  15. A. W. Mulia, I. Ruslianto, and D. M. Midyanti, “Klasifikasi kerusakan jalan pada citra jalan raya Pontianak dan sekitarnya dengan menggunakan Convolutional Neural Network,” Coding: Jurnal Komputer dan Aplikasi, vol. 11, no. 1, pp. 11–20, 2023.
  16. N. N. C. Sumartha, I. G. P. S. Wijaya, F. Bimantoro, and G. S. Nugraha, “Klasifikasi citra lubang pada permukaan jalan beraspal dengan metode Convolutional Neural Networks,” J-COSINE: Journal of Computer Science and Informatics Engineering, vol. 8, no. 1, pp. 31–38, Jun. 2024.
  17. Zalmi, W. F., Sitompul, B. J. D., Nduru, S. W., & Lumbangaol, S. K. (2023). Welder Recruitment Decision Support System using the SMARTER method. SAGA Journal of Technology and Information System, 1(2), 44–49. https://doi.org/10.58905/saga.v1i2.98
  18. Solli, N. S., & Sompie, S. R. (2021). Aplikasi Web UPT Bimbingan dan Konseling Universitas Sam Ratulangi | Jurnal Teknik Informatika. ejournal.unsrat.ac.id. https://doi.org/10.35793/jti.v16i4.34145
  19. Yusupa, A., Tarigan, V., & Sengkey, D. F. (2025c). Development of Virtual Lab on Collision Dynamics Learning Object with Collision Algorithm Integration. Journal of Applied Informatics and Computing, 9(1), 44–54. https://doi.org/10.30871/jaic.v9i1.8765
  20. Zalmi, W. F. (2023). Sistem Aplikasi Surat Masuk dan Surat Keluar Berbasis Web pada Dinas Kehutanan Provinsi Sumatera Utara. JURNAL INFORMATIKA, 11(1), 12–25. https://doi.org/10.36987/informatika.v11i1.3844

Most read articles by the same author(s)

1 2 3 4 > >> 

Similar Articles

51-60 of 344

You may also start an advanced similarity search for this article.