DETEKSI PENYAKIT DAUN TOMAT BERDASARKAN CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS WEBSITE

Nurdin, Andi (2024) DETEKSI PENYAKIT DAUN TOMAT BERDASARKAN CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS WEBSITE. Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.

	Text (COVER) 20082010059_COVER.pdf Download (2MB)
	Text (BAB 1) 20082010059_BAB 1.pdf Download (445kB)
	Text (BAB 2) 20082010059_BAB 2.pdf Restricted to Registered users only until 23 July 2027. Download (1MB)
	Text (BAB 3) 20082010059_BAB 3.pdf Restricted to Registered users only until 23 July 2027. Download (833kB)
	Text (BAB 4) 20082010059_BAB 4.pdf Restricted to Registered users only until 23 July 2027. Download (2MB)
	Text (BAB 5) 20082010059_BAB 5.pdf Download (404kB)
	Text (DAFTAR PUSTAKA) 20082010059_DAFTAR PUSTAKA.pdf Download (326kB)
	Text (LAMPIRAN) 20082010059_LAMPIRAN.pdf Download (401kB)

Abstract

Tomat merupakan salah satu tanaman pangan terpenting di dunia, terutama di Indonesia. Dalam mengelola pertanian tomat, terdapat beberapa kendala, di antaranya adalah penyakit yang menyerang daun tomat, yang jika dibiarkan dapat menyebabkan berkurangnya hasil panen atau bahkan gagal panen. Penyakit yang paling sering menyerang tanaman tomat ini adalah mosaic virus, target spot, bacterial spot, yellow leaf curl virus, late blight, leaf mold, early blight, spider mites, dan septoria leaf spot. Penyakit-penyakit ini terkadang terlihat mirip sehingga sulit untuk dikenali. Dengan perkembangan teknologi saat ini, memungkinkan dilakukannya deteksi penyakit terhadap tanaman secara otomatis menggunakan komputer. Salah satunya menggunakan Deep Learning, metode yang saat ini memiliki hasil paling signifikan dalam pengenalan citra adalah Convolutional Neural Network (CNN). Penelitian ini menggunakan metode CNN dengan model paling optimal, yaitu arsitektur Inception-V3 dengan transfer learning. Sebelum dilakukan klasifikasi, terlebih dahulu dilakukan proses preprocessing dengan mengubah ukuran citra menjadi 224x224 piksel dan mengurangi noise gambar dan selanjutnya melakukan augmentasi data. Pengujian dilakukan dengan kombinasi Hyperparameter dan Optimizer. Hyperparameter yang diujikan antara lain epoch dan batch size kemudian optimizer yang diujikan yaitu Adam, SGD, dan RMSProp. Pengujian dilakukan untuk menemukan model dengan tingkat akurasi tertinggi dan nilai loss paling rendah. penelitian ini melakukan pengujian pada 9 jenis model yang telah dirancang. Pengujian dilakukan dengan menggunakan confusion matrix untuk menentukan tingkat akurasi yang dihasilkan oleh model CNN. Berdasarkan dari hasil klasifikasi yang dilakukan, didapatkan tingkat akurasi sebesar 93,8% dengan model paling optimal adalah menggunakan Optimizer Adam, batch size 32, dan epochs 100. Sistem ini diharapkan dapat memberikan manfaat bagi petani tomat, peneliti, dan masyarakat umum dalam hal pengendalian penyakit tomat.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Kartika, Dhian Satria Yudha	NIDN0722058601	dhian.satria@upnjatim.ac.id
Thesis advisor	Najaf, Abdul Rezha Efrat	NIDN0029099403	rezha.efrat.sifo@upnjatim.ac.id

Subjects:

T Technology > T Technology (General)
T Technology > T Technology (General) > T58.6-58.62 Management Information Systems

Divisions:

Faculty of Computer Science > Departemen of Information Systems

Depositing User:

Andi Andi Nurdin

Date Deposited:

23 Jul 2024 08:03

Last Modified:

23 Jul 2024 08:03

URI:

https://repository.upnjatim.ac.id/id/eprint/27251