eprintid: 32611
rev_number: 8
eprint_status: archive
userid: 12
dir: disk0/00/03/26/11
datestamp: 2026-09-08 03:20:53
lastmod: 2026-09-08 03:20:53
status_changed: 2026-09-08 03:20:53
type: thesis
metadata_visibility: show
creators_name: Hafidurrohman, M.
creators_nim: 23.55.1398
contributors_name: Kusrini, Kusrini
corp_creators: Universitas AMIKOM Yogyakarta
title: KLASIFIKASI CITRA DAUN SAWI BERBASIS CNN UNTUK
MEMBEDAKAN TANAMAN SEHAT DAN TERKENA HAMA
ispublished: pub
subjects: 000.000.000A
subjects: 500.580.580A
divisions: PJJ
full_text_status: public
keywords: Convolutional Neural Network, Xception, VGG19, Daun Sawi,
Bayesian Optimization, Mustard Greens.
abstract: Penelitian dengan judul "Klasifikasi Citra Daun Sawi Berbasis CNN untuk
Membedakan Tanaman Sehat dan Terkena Hama" ini bertujuan untuk
mengembangkan sistem identifikasi yang akurat dan efisien guna meminimalisir
kerusakan hasil panen. Penelitian ini membandingkan dua arsitektur Convolutional
Neural Network (CNN), yaitu VGG19 dan Xception, dengan mengintegrasikan
metode Bayesian Optimization untuk menentukan hyperparameter optimal secara
sistematis pada aspek learning rate, dropout rate, dan jumlah filter. Hasil
eksperimen menunjukkan performa yang sangat tinggi, di mana model Xception
mencapai akurasi maksimal 100% dan VGG19 sebesar 99,00%, melampaui capaian
penelitian terdahulu yang menggunakan parameter manual. Dari sisi efisiensi
komputasi, Xception mencatatkan waktu inferensi lebih cepat yaitu 27,58 ms per
citra dibandingkan VGG19 sebesar 33,37 ms. Keunggulan kecepatan Xception
didorong oleh penggunaan depthwise separable convolution yang efektif mereduksi
beban komputasi tanpa mengorbankan kualitas ekstraksi fitur, sedangkan VGG19
unggul dalam stabilitas akurasi pada jangka panjang. Meskipun sangat akurat,
analisis kegagalan menunjukkan adanya potensi salah prediksi pada daun dengan
lubang fisik non-hama akibat kemiripan tekstur visual. Kesimpulan penelitian
menegaskan bahwa penggunaan Bayesian Optimization memberikan kontribusi
besar dalam pencapaian konvergensi model yang presisi. Arsitektur Xception
sangat direkomendasikan untuk implementasi pada perangkat dengan sumber daya
terbatas (edge devices) karena keseimbangan optimal antara akurasi tinggi dan
efisiensi waktu respons.
date: 2026-01-08
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: PJJ Magister Informatika
thesis_type: masters
thesis_name: tesis
citation:   Hafidurrohman, M.  (2026) KLASIFIKASI CITRA DAUN SAWI BERBASIS CNN UNTUK MEMBEDAKAN TANAMAN SEHAT DAN TERKENA HAMA.  S2 - Magister thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/32611/1/23.55.1398%20-%20M.%20Hafidurrohman.pdf