Saputra, Arya Dana (2025) PERBANDINGAN DAN IMPLEMENTASI ARSITEKTUR DEEP LEARNING UNTUK KLASIFIKASI PENYAKIT DAUN TOMAT BERBASIS CITRA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (1MB) |
|
Text (BAB I)
BAB I.pdf Download (242kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (957kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (581kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (890kB) |
|
Text (BAB V)
BAB V.pdf Download (75kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (441kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.3965.zip Restricted to Repository staff only Download (442kB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (792kB) |
Abstract
Tanaman tomat, sebagai salah satu komoditas hortikultural yang penting di Indonesia, sering kali mengalami serangan penyakit yang disebabkan oleh bakteri, jamur, virus, dan hama serangga. Gejala penyakit ini umumnya terlihat pada daun, yang menjadi indikator utama dalam mendeteksi kesehatan tanaman. Penyakit seperti bacterial spot, yellow leaf curl virus, dan tomato mosaic virus dapat mengurangi produktivitas dan kualitas hasil pertanian, sehingga berdampak negatif terhadap pendapatan petani dan ketahanan pangan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun tomat menggunakan pendekatan deep learning, khususnya Convolutional Neural Network (CNN). Tiga arsitektur CNN yang dibandingkan adalah DenseNet121, ResNet50, dan CNN biasa. Metode yang digunakan meliputi pengumpulan dataset gambar daun tomat yang dikelompokkan ke dalam sepuluh kategori penyakit, pemuatan data menggunakan Jupyter Notebook, serta pelatihan dan evaluasi model untuk mengukur akurasi dan kecepatan komputasi masingmasing arsitektur. Hasil penelitian menunjukkan bahwa ResNet50 mencapai akurasi tertinggi sebesar 98,97%, diikuti oleh DenseNet121 dengan akurasi 98,65%, dan CNN biasa dengan akurasi 85,81%. Meskipun CNN biasa memiliki akurasi terendah, algoritma ini unggul dalam kecepatan komputasi. Penelitian ini diharapkan dapat memberikan solusi yang bermanfaat bagi petani dalam mendiagnosis penyakit tanaman secara cepat dan akurat, serta dapat diadopsi secara luas dalam industri pertanian untuk meningkatkan produktivitas dan kualitas hasil pertanian. Penelitian lebih lanjut dapat dilakukan untuk mengembangkan model yang lebih efisien dan akurat dalam klasifikasi penyakit tanaman.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Tomat, Penyakit Tanaman, Deep Learning, Convolutional Neural Network, Klasifikasi | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 17 Apr 2025 04:07 | ||
| Last Modified: | 17 Apr 2025 04:07 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/29477 |
Actions (login required)
 |
View Item |