KOMPARASI DAN IMPLEMENTASI ARSITEKTUR MOBILE DEEP LEARNING UNTUK KLASIFIKASI PENYAKIT DAUN JAGUNG

Fauzan, Muhammad Alif (2025) KOMPARASI DAN IMPLEMENTASI ARSITEKTUR MOBILE DEEP LEARNING UNTUK KLASIFIKASI PENYAKIT DAUN JAGUNG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (173kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (393kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (945kB)
	Text (BAB V) BAB V.pdf Download (48kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (687kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3935.zip Restricted to Repository staff only Download (177MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (646kB)

Abstract

Jagung adalah salah satu tanaman pangan utama yang penting untuk menyediakan sumber karbohidrat bagi masyarakat. Sebagai tanaman pangan terbesar ketiga di dunia setelah beras dan gandum, serta terbesar kedua di Indonesia setelah padi, jagung memiliki kontribusi signifikan dalam memenuhi kebutuhan pangan global. Namun, produktivitas dan kuliatas jagung dapat menurun karena daun jagung terinfeksi penyakit. Hal itu diperparah dengan Kondisi lingkungan yang ideal bagi penyebaran patogen.Oleh sebab itu,tantangan dalam budidaya jagung adalah serangan penyakit pada daun yang dapat menghambat produktivitas dan kualitas panen. Deep learning adalah cabang kecerdasan buatan yang menggunakan jaringan saraf tiruan berlapis-lapis untuk menganalisis data kompleks. Salah satu metode populer adalah Convolutional Neural Network (CNN), yang efektif dalam pengenalan pola visual dari gambar. Ditambah metode saat ini memungkinkan untuk melakukan tranfer learning. Penelitian ini bertujuan mengklasifikasikan penyakit daun jagung menggunakan CNN dengan kombinasi berbagai arsitektur tranfer learning. Arsitektur tersebut digunakan sebagai ekstraksi fitur sedangkan CNN digunakan sebagai lapisan fully connected untuk klasifikasi. Augmentasi data diterapkan untuk meningkatkan performa model. Evaluasi menunjukkan arsitektur Densenet121 mencapai akurasi 99% pada pada pengujian dengan kecepatan komputasi 8 detik mengalahkan arsitektur MobileNetV2 yang mencapai akurasi 98% dengan kecepatan komputasi 3 detik. Hasil penelitian ini diharapkan dapat dikembakan sebagai aplikasi sehingga dapat membantu petani mengelola penyakit tanaman jagung secara lebih efektif dengan memfoto daun yang terinfeksi, sehingga meningkatkan produktivitas dan kualitas hasil panen.

Actions (login required)

View Item