Rancang Bangun Aplikasi Mobile Berbasis Kivy untuk Estimasi Biomassa Tanaman Microgreen
Abstract
Biomassa merupakan salah satu indikator pertumbuhan tanaman, untuk memprediksi nilai biomassa dapat menggunakan indeks luas daun. Indeks Luas Daun (ILD) adalah variabel yang menunjukkan kondisi daun tanaman yang sangat mempengaruhi proses biofisik tanaman, terutama dalam proses fotosintesis dan penyerapan radiasi matahari. Microgreen merupakan sayuran hijau berukuran kecil yang mengandung sumber vitamin, mineral, dan betakaroten tinggi. Penelitian ini bertujuan untuk merancang aplikasi mobile yang dapat mengestimasi nilai biomassa tanaman microgreen berbasis Kivy dan mendapatkan akurasi estimasi nilai biomassa yang telah dilakukan. Jenis microgreen yang digunakan pada penelitian ini adalah microgreen lobak, microgreen brokoli, dan microgreen pakcoy. Budidaya microgreen dilakukan sebanyak empat kali dengan teknik budidaya indoor menggunakan penyinaran LED pink. Budidaya I – III digunakan sebagai data latih dan Budidaya IV digunakan sebagai data uji. Aplikasi mobile estimasi biomassa tanaman microgreen dibuat dengan bahasa pemrograman Python, berbasis framework Kivy dan library OpenCV. Proses coding dilakukan di Software Visual Studio Code. ILD tanaman microgreen diperoleh dari proses pengolahan citra yang dirancang pada aplikasi. Perhitungan estimasi nilai biomassa tanaman microgreen pada aplikasi diperoleh dari persamaan regresi linier ILD dengan biomassa. Aplikasi mobile yang telah dirancang dalam mengestimasi biomassa microgreen diuji keakuratannya menggunakan metode Root Mean Square Error (RMSE). Persamaan regresi linier yang diperoleh yaitu y = 153.12x - 54.113 dengan koefisien determinasi sebesar 0,880 untuk biomassa basah dan y = 11.552x - 3.4614 dengan koefisien determinasi sebesar 0,585 untuk biomassa kering. Pengujian keakuratan aplikasi estimasi biomassa tanaman microgreen dengan menggunakan metode RMSE mendapatkan hasil yang baik. Diperoleh nilai RMSE yang cukup kecil yaitu 3,238 untuk estimasi biomassa basah dan 0,393 untuk estimasi biomassa kering.
Biomass is one of the indicators of plant growth, and to predict biomass value, leaf area index can be used. Leaf Area Index (LAI) is a variable that indicates the condition of plant leaves which greatly influences the biophysical processes of plants, especially in photosynthesis and absorption of sunlight radiation. Microgreens are small-sized green vegetables containing high sources of vitamins, minerals, and beta-carotene. This study aims to design a mobile application that can estimate the biomass value of microgreen plants based on Kivy and obtain the accuracy of biomass estimation that has been conducted. The types of microgreens used in this study are radish microgreens, broccoli microgreens, and bok choy microgreens. Microgreen cultivation was conducted four times using indoor cultivation techniques with pink LED lighting. The first to third cultivations were used as training data and the fourth cultivation was used as test data. The mobile application for estimating microgreen biomass was created using the Python programming language, based on the Kivy framework and OpenCV library. The coding process was done in Visual Studio Code software. LAI of microgreen plants was obtained from the image processing process designed in the application. The estimation of microgreen plant biomass value in the application is obtained from the linear regression equation of LAI with biomass. The accuracy of the mobile application in estimating microgreen biomass was tested using the Root Mean Square Error (RMSE) method. The linear regression equations obtained are y = 153.12x - 54.113 with a coefficient of determination of 0.880 for wet biomass, and y = 11.552x - 3.4614 with a coefficient of determination of 0.585 for dry biomass. Testing the accuracy of the microgreen biomass estimation application using the RMSE method yielded good results. The obtained RMSE values are sufficiently small, 3.238 for wet biomass estimation and 0.393 for dry biomass estimation.
Downloads
References
Bhoyarkar, A., Solanki, A., & Balbudhe, A. (2019). Application Development using Kivy Framework. Ijarcce, 8(2), 53–58. https://doi.org/10.17148/ijarcce.2019.8209
Darmanti, S., Nurchayati, Y., Hastuti, D., & Syaifuddin, M. (2009). Produksi Biomassa Tanaman Nilam (Pogostemon cablin) yang Ditanam pada Intensitas Cahaya yang Berbeda. Anatomi Fisiologi, XVII(1), 22–29. https://ejournal.undip.ac.id/index.php/janafis/article/view/2532
Gofar, N., Nur, T. P., Permatasari, S. D. I., & Sriwahyuni, N. (2022). Teknik Budidaya Microgreens.
Gusmayanti, E., & Sholahuddin. (2015). Luas Daun Spesifik dan Indeks Luas Daun Tanaman Sagu Di Desa Sungai Ambangah Kalimantan Barat (Specific Leaf Area And Leaf Area Index Of Sago Palm In Sungai Ambangah Village West Kalimantan). 184–192. https://jurnal.untan.ac.id/index.php/semirata2015/article/view/13963/12504
Hamdanah, F. H., & Fitrianah, D. (2021). Analisis Performansi Algoritma Linear Regression dengan Generalized Linear Model untuk Prediksi Penjualan pada Usaha Mikra, Kecil, dan Menengah. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 10(1), 23. https://doi.org/10.23887/janapati.v10i1.31035
Hilmy, R. H., Susana, R., & Hadiatna, F. (2021). Rancang Bangun Smart Grow Box Hidroponik Untuk Pertumbuhan Tanaman Microgreen Berbasis Internet of Things. Power Elektronik : Jurnal Orang Elektro, 10(2), 41. https://doi.org/10.30591/polektro.v10i2.2579
Huang, W., Ratkowsky, D. A., Hui, C., Wang, P., Su, J., & Shi, P. (2019). Leaf fresh weight versus dry weight: Which is better for describing the scaling relationship between leaf biomass and leaf area for broad-leaved plants? Forests, 10(3), 1–19. https://doi.org/10.3390/f10030256
Khumaidi, A., Raafi’udin, R., & Solihin, I. P. (2020). Pengujian Algoritma Long Short-Term Memory untuk Prediksi Kualitas Udara dan Suhu Kota Bandung. Jurnal Telematika, 15(1), 13–18.
Muzani, M. A., Sukri, M. I. A., Fauziah, S. N., Pradnya, W. M., & Suyonto, A. (2021). Algoritma Adaptive Neuro Fuzzy Inference System Untuk Perkiraan Intensitas Curah Hujan. SISFOTEK: Sistem Informasi Dan Teknologi, 5(1), 102–106.
Nurholis, Choirul Umam, Mohammad Syafii, Erika Nor Damayanti, Syaifullah, Dery Anugerah Dermawan, & Ach Supyanto. (2023). Penerapan Metode Digital Untuk Mengukur Indeks Luas Daun Tanaman Sawi Caisim (Brassica Juncae L.). Jurnal Pengelolaan Perkebunan (JPP), 4(1), 8–15. https://doi.org/10.54387/jpp.v4i1.30
Salim, M. A. (2021). Budidaya Microgreens : Sayuran Kecil Kaya Nutrisi dan Menyehatkan. http://digilib.uinsgd.ac.id/43613/%0Ahttp://digilib.uinsgd.ac.id/43613/1/BUKU MICROGREENS.pdf
Sarjana, K., Hayati, L., & Wahidaturrahmi, W. (2020). Mathematical modelling and verbal abilities: How they determine students’ ability to solve mathematical word problems? Beta: Jurnal Tadris Matematika, 13(2), 117–129. https://doi.org/10.20414/betajtm.v13i2.390
Suprayogi, I., Trimaijon, & Mahyudin. (2014). Model Prediksi Liku Kalibrasi Menggunakan Pendekatan Jaringan Saraf Tiruan (JST) (Studi Kasus: Sub DAS Siak Hulu). Jurnal Online Mahasiswa Fakultas Teknik Universitas Riau, 1(1), 1–18. http://ce.unri.ac.id
Susanti, D., & Safrina, D. (2018). Identifikasi Luas Daun Spesifik dan Indeks Luas Daun Pegagan di Karangpandan, Karanganyar Jawa Tengah. 11(1), 11–17. https://doi.org/10.22435/toi.v11i1.8242.CITATIONS
Umam, C., Putri, S. A., Milyani, J., Aurelita, S. K., Suryawati, S., & Purwaningsih, Y. (2023). Perhitungan Luas Daun Berbasis Pemrosesan Citra Digital. Teknotan, 17(2), 115. https://doi.org/10.24198/jt.vol17n2.5
Weraduwage, S. M., Chen, J., Anozie, F. C., Morales, A., Weise, S. E., & Sharkey, T. D. (2015). The relationship between leaf area growth and biomass accumulation in Arabidopsis thaliana. Frontiers in Plant Science, 6(APR), 1–21. https://doi.org/10.3389/fpls.2015.00167
Jurnal BETA (Biosistem dan Teknik Pertanian)
