eprintid: 31776
rev_number: 7
eprint_status: archive
userid: 12
dir: disk0/00/03/17/76
datestamp: 2026-06-29 03:13:09
lastmod: 2026-06-29 03:13:09
status_changed: 2026-06-29 03:13:09
type: thesis
metadata_visibility: show
creators_name: Majid, Muhammad Arif Kholis
creators_nim: 24.51.1639
contributors_name: Ariatmanto, Dhani
corp_creators: Universitas AMIKOM Yogyakarta
title: ANALISIS PENGARUH AUGMENTASI DATA UNTUK
KLASIFIKASI PENYAKIT PADA DAUN TOMAT
MENGGUNAKAN MODEL YOLO11
ispublished: pub
subjects: 000.000.000A
divisions: mti
full_text_status: public
keywords: Augmentasi data, YOLO11, klasifikasi penyakit, daun tomat, disease classification, tomato leaves.
abstract: 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.
date: 2026-02-02
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Pascasarjana Magister Informatika
thesis_type: masters
thesis_name: tesis
citation:   Majid, Muhammad Arif Kholis  (2026) ANALISIS PENGARUH AUGMENTASI DATA UNTUK KLASIFIKASI PENYAKIT PADA DAUN TOMAT MENGGUNAKAN MODEL YOLO11.  S2 - Magister thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/31776/1/24.51.1639%20-%20Muhammad%20Arif%20Kholis%20Majid.pdf