KLASIFIKASI CITRA PENYAKIT DAUN PADA TANAMAN CABAI RAWIT MENGGUNAKAN TIGA MODEL ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN)

Danendra, Fahmi Anugrah (2023) KLASIFIKASI CITRA PENYAKIT DAUN PADA TANAMAN CABAI RAWIT MENGGUNAKAN TIGA MODEL ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN). Undergraduate thesis, UPN "Veteran" Jawa Timur.

Preview	Text (Cover) 18081010128_Cover.pdf Download (1MB) | Preview
Preview	Text (Bab 1) 18081010128_Bab 1.pdf Download (130kB) | Preview
	Text (Bab 2) 18081010128_Bab 2.pdf Restricted to Registered users only until 27 January 2026. Download (674kB)
	Text (Bab 3) 18081010128_Bab 3.pdf Restricted to Registered users only until 27 January 2026. Download (311kB)
	Text (Bab 4) 18081010128_Bab 4.pdf Restricted to Registered users only until 27 January 2026. Download (713kB)
Preview	Text (Bab 5) 18081010128_Bab 5.pdf Download (230kB) | Preview
Preview	Text (Daftar Pustaka) 18081010128_Daftar Pustaka.pdf Download (244kB) | Preview

Abstract

Kemajuan dalam bidang visi komputer menghadirkan peluang untuk meningkatkan praktik perlindungan tanaman dan memperluas pasar visi komputer di bidang pertanian. Cabai rawit merupakan salah satu komoditas holtikultura yang memiliki nilai ekonomi tinggi serta memiliki kandungan gizi yang tinggi. Salah satu penyakit yang sangat penting adalah penyakit virus yang menyerang daun cabai rawit yaitu virus kuning dan keriting. Strategi untuk melibatkan kemajuan mekanis di bidang visi komputer untuk tanaman salah satunya dengan memanfaatkan deep learning dengan memanfaatkan teknik klasifikasi citra digital yang kemudian menggunakan Convolutional Neural Network (CNN). Pada penelitian ini, objek yang akan diteliti adalah daun cabai rawit dengan tiga macam jenis kelas yaitu daun yang sehat, daun yang terkena penyakit keriting, dan daun yang terkena penyakit kuning. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan menggunakan tiga model arsitektur berbeda yaitu ResNet34, AlexNet, dan SqueezeNet yang bertujuan untuk sebagai perbandingan akurasi yang tertinggi dari ketiga model tersebut. Hasil akurasi dari penelitian ini yang memiliki nilai akurasi terbaik dimiliki oleh model arsitektur ResNet34 dengan persentase akurasi sebesar 93% dan memiliki nilai rata – rata running selama 4720.960 detik.

Item Type:	Thesis (Undergraduate)
Contributors:	Contribution Contributors NIDN/NIDK Email Thesis advisor Tri Anggraeny, Fetty NIDN0711028201 UNSPECIFIED Thesis advisor Maulana, Hendra NIDN1423128301 UNSPECIFIED
Subjects:	T Technology > T Technology (General) > T385 Computer Graphics
Divisions:	Faculty of Computer Science > Departemen of Informatics
Depositing User:	Fahmi Anugrah Danendra
Date Deposited:	27 Jan 2023 06:33
Last Modified:	27 Jan 2023 06:33
URI:	http://repository.upnjatim.ac.id/id/eprint/11830

Actions (login required)

View Item