Rifqi, Mohammad Habim Hazidan (2025) SISTEM KLASIFIKASI PENYAKIT DAUN JAGUNG MENGGUNAKAN YOLO DAN CNN BERBASIS WEBSITE. Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.
![[img]](https://repository.upnjatim.ac.id/style/images/fileicons/text.png) |
Text (COVER)
COVER.pdf Download (721kB) |
|
Text (BAB 1)
BAB 1.pdf Download (89kB) |
|
Text (BAB 2)
BAB 2.pdf Restricted to Repository staff only until 4 December 2028. Download (530kB) |
|
Text (BAB 3)
BAB 3.pdf Restricted to Repository staff only until 4 December 2028. Download (603kB) |
|
Text (BAB 4)
BAB 4.pdf Restricted to Repository staff only until 4 December 2028. Download (1MB) |
|
Text (BAB 5)
BAB 5.pdf Download (15kB) |
|
Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf Download (87kB) |
|
Text (LAMPIRAN)
LAMPIRAN.pdf Restricted to Repository staff only until 4 December 2028. Download (267kB) |
Abstract
Penyakit pada daun jagung seperti Blight, Rust, dan Gray leaf spot merupakan ancaman utama yang dapat menurunkan produktivitas pertanian secara signifikan. Proses identifikasi penyakit secara manual masih bergantung pada tenaga ahli, membutuhkan waktu, dan kurang efisien untuk diterapkan dalam skala lahan yang luas. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan sebuah sistem deteksi penyakit daun jagung berbasis website dengan memanfaatkan metode You Only Look Once (YOLO) sebagai model deteksi objek dan Convolutional Neural Network (CNN) EfficientNet-B0 sebagai model klasifikasi penyakit. Dataset citra daun jagung dipersiapkan melalui proses pra-pemrosesan, pelabelan, augmentasi, pelatihan model, serta evaluasi performa. Model YOLOv8n menghasilkan performa yang sangat baik dengan nilai mAP50 sebesar 0.90 dan mAP50–95 sebesar 0.702, menunjukkan kemampuan dalam mendeteksi lokasi penyakit secara presisi pada berbagai kondisi citra. Sementara, model CNN EfficientNet-B0 menunjukkan kemampuan klasifikasi yang unggul dengan akurasi sebesar 97%, sehingga efektif dalam membedakan antara daun sehat dan tiga jenis penyakit utama. Sistem ini kemudian diintegrasikan ke dalam platform website yang memungkinkan pengguna mengunggah citra daun secara langsung untuk mendapatkan hasil deteksi dan klasifikasi secara cepat, akurat, dan mudah diakses. Hasil penelitian ini membuktikan bahwa kombinasi antara YOLO dan CNN mampu meningkatkan efisiensi proses klasifikasi penyakit daun jagung serta memberikan alternatif solusi modern bagi petani dan penyuluh pertanian. Sistem yang dikembangkan diharapkan dapat mendukung pengambilan keputusan dalam upaya mitigasi penyakit tanaman dan meningkatkan produktivitas pertanian secara keseluruhan.
| Item Type: | Thesis (Undergraduate) | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||||||||
| Subjects: | T Technology > T Technology (General) > T58.6-58.62 Management Information Systems | ||||||||||||
| Divisions: | Faculty of Computer Science > Departemen of Informatics | ||||||||||||
| Depositing User: | Mohammad Habim Hazidan Rifqi Rifai | ||||||||||||
| Date Deposited: | 04 Dec 2025 05:00 | ||||||||||||
| Last Modified: | 04 Dec 2025 05:00 | ||||||||||||
| URI: | https://repository.upnjatim.ac.id/id/eprint/47794 |
Actions (login required)
 |
View Item |