%0 Thesis
%9 S2 - Magister
%A Majid, Muhammad Arif Kholis
%A Universitas AMIKOM Yogyakarta,
%B Pascasarjana Magister Informatika
%D 2026
%F universitasamikomyogyakarta:31776
%I Universitas AMIKOM Yogyakarta
%K Augmentasi data, YOLO11, klasifikasi penyakit, daun tomat, disease classification, tomato leaves.
%T ANALISIS PENGARUH AUGMENTASI DATA UNTUK  KLASIFIKASI PENYAKIT PADA DAUN TOMAT  MENGGUNAKAN MODEL YOLO11
%U https://eprints.amikom.ac.id/id/eprint/31776/
%X 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.