Peningkatan Akurasi Model Convolutional Neural Network (CNN) Pada Klasifikasi Penyakit Tanaman Cabai

Asriati, Risma (2025) Peningkatan Akurasi Model Convolutional Neural Network (CNN) Pada Klasifikasi Penyakit Tanaman Cabai. Diploma thesis, Universitas Islam Indragiri.

	Text 403211010073-Risma Asriati-00-Awal.pdf Download (1MB)
	Text 403211010073-Risma Asriati-01-Bab1.pdf Download (566kB)
	Text 403211010073-Risma Asriati-02-Bab2.pdf Download (608kB)
	Text 403211010073-Risma Asriati-03-Bab3.pdf Download (565kB)
	Text 403211010073-Risma Asriati-04-Bab4.pdf Restricted to Repository staff only Download (1MB)
	Text 403211010073-Risma Asriati-05-Bab5.pdf Download (552kB)
	Text 403211010073-Risma Asriati-06-Akhir.pdf Download (1MB)
	Text HASIL TURNITIN SKRIPSI RISMA.pdf Restricted to Repository staff only Download (16MB)

Abstract

Tanaman cabai merupakan komoditas penting dalam sektor pertanian Indonesia, namun rentan terhadap berbagai jenis penyakit daun seperti keriting, bercak, dan kekuningan yang dapat mengurangi hasil panen secara signifikan. Identifikasi penyakit secara manual sering kali tidak akurat, memakan waktu, dan membutuhkan keahlian khusus. Oleh karena itu, dibutuhkan pendekatan berbasis teknologi yang mampu meningkatkan akurasi dalam mendeteksi penyakit tanaman secara otomatis. Untuk meningkatkan akurasi model klasifikasi penyakit tanaman cabai berbasis Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV2. Dataset terdiri dari 2.208 citra daun cabai yang diklasifikasikan ke dalam empat kategori: sehat, keriting, bercak, dan kekuningan. Data diolah melalui preprocessing, augmentasi, dan pelatihan model menggunakan strategi seperti transfer learning, fine-tuning, AdamW optimizer, label smoothing, serta beberapa callbacks yang digunakan.Hasil evaluasi menunjukkan akurasi mencapai 92,94% dan AUC 0,9904, dengan performa tinggi pada semua kelas. Model juga diimplementasikan ke dalam aplikasi Android berbasis Flutter agar dapat digunakan langsung oleh petani. Kesimpulannya, strategi optimasi yang diterapkan berhasil meningkatkan akurasi model secara signifikan dan menghasilkan sistem deteksi penyakit cabai yang cepat, akurat, dan praktis untuk digunakan di lapangan

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Klasifikasi penyakit tanaman, Convolutional Neural Network (CNN), MobileNetV2
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik dan Ilmu Komputer > Program Studi Sistem Informasi
Depositing User:	Nilam Sari
Date Deposited:	31 Oct 2025 09:29
Last Modified:	31 Oct 2025 09:29
URI:	http://repository.unisi.ac.id/id/eprint/897

Actions (login required)

View Item