http://eprints.amikom.ac.id/id/eprint/31776 2026-06-29T03:13:09Z info:eu-repo/semantics/descriptiveMetadata https://eprints.amikom.ac.id/id/eprint/31776/ ANALISIS PENGARUH AUGMENTASI DATA UNTUK KLASIFIKASI PENYAKIT PADA DAUN TOMAT MENGGUNAKAN MODEL YOLO11 Majid, Muhammad Arif Kholis 000 Ilmu komputer, informasi dan pekerjaan umum Tomat (Solanum lycopersicum L.) merupakan komoditas hortikultura penting di Indonesia, dengan budidaya yang luas dan berperan besar dalam pendapatan petani. Serangan penyakit pada daun tomat dapat berdampak langsung terhadap produktivitas dan kualitas tanaman, yang berpotensi menyebabkan kerugian ekonomi serta fluktuasi harga. Penelitian ini menggunakan model YOLO11n-cls untuk klasifikasi penyakit daun tomat berbasis citra, dengan membandingkan lima skenario augmentasi data yaitu non augmentation, advanced mixing augmentation, photometric augmentation, spatial transformations, dan all augmentation. Hasil evaluasi menunjukkan bahwa penerapan teknik augmentasi dapat meningkatkan kinerja model, dengan spatial transformations memberikan hasil terbaik. Akurasi mencapai 0.987250, dengan precision dan recall masing-masing 0.994, berkat kemampuan teknik ini dalam menangani variasi geometris pada gambar seperti rotasi dan pemotongan, yang relevan dalam pengklasifikasian penyakit yang muncul dalam berbagai orientasi daun. Sebaliknya, photometric augmentation menunjukkan hasil terendah dengan akurasi 0.95425, karena perubahan pencahayaan dan kontras mengaburkan perbedaan visual yang halus antara penyakit yang mirip, seperti Bacterial Spot yang salah diklasifikasikan sebagai Yellow Leaf Curl Virus. Advanced mixing augmentation memberikan akurasi 0.98015, dengan precision dan recall yang tinggi (0.991), namun beberapa kesalahan klasifikasi masih terjadi, seperti kebingungan antara Bacterial Spot dan Yellow Leaf Curl Virus. Gabungan teknik augmentasi dalam all augmentation menghasilkan akurasi 0.981, dengan precision dan recall 0.987, meskipun sedikit lebih rendah dibandingkan dengan spatial transformations. Temuan ini menegaskan bahwa augmentasi berbasis transformasi geometris adalah yang paling efektif untuk meningkatkan kinerja model YOLO11, sementara photometric augmentation perlu digunakan dengan hati-hati agar tidak mengganggu fitur diagnostik pada daun. 2026-02-02 Thesis NonPeerReviewed text id https://eprints.amikom.ac.id/id/eprint/31776/1/24.51.1639%20-%20Muhammad%20Arif%20Kholis%20Majid.pdf Majid, Muhammad Arif Kholis (2026) ANALISIS PENGARUH AUGMENTASI DATA UNTUK KLASIFIKASI PENYAKIT PADA DAUN TOMAT MENGGUNAKAN MODEL YOLO11. S2 - Magister thesis, Universitas AMIKOM Yogyakarta. info:eu-repo/semantics/objectFile info:eu-repo/semantics/humanStartPage