IDENTIFIKASI PENYAKIT TANAMAN JAGUNG BERDASARKAN CITRA DAUN MENGGUNAKAN COVOLUTIONAL NEURAL NETWORK

Arwin, Dwi Septiyani (2026) IDENTIFIKASI PENYAKIT TANAMAN JAGUNG BERDASARKAN CITRA DAUN MENGGUNAKAN COVOLUTIONAL NEURAL NETWORK. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
24.51.1560 Dwi Septiyani Arwin.pdf - Published Version
Download (5MB)

Abstract

Penelitian ini berjudul “Identifikasi Penyakit Tanaman Jagung Berdasarkan Citra Daun Menggunakan Convolutional Neural Network (CNN)” yang bertujuan untuk mengembangkan model klasifikasi otomatis dalam mendeteksi penyakit pada daun jagung guna membantu petani melakukan diagnosis dini secara cepat dan akurat. Data penelitian diperoleh dari dataset publik Corn or Maize Leaf Disease Dataset yang berjumlah 4.188 citra dan terbagi ke dalam empat kelas, yaitu Blight, Common Rust, Gray Leaf Spot, dan Healthy. Proses pra-pemrosesan citra dilakukan menggunakan metode Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk meningkatkan kontras dan memperjelas detail tekstur daun sebelum dilakukan pelatihan model. Arsitektur yang digunakan adalah ResNet-50 dengan penambahan modul Convolutional Block Attention Module (CBAM) serta perbandingan beberapa optimizer seperti Adam dan SGD dengan variasi learning rate untuk memperoleh konfigurasi terbaik. Hasil penelitian menunjukkan bahwa kombinasi ResNet-50 + CBAM dengan optimizer SGD dan learning rate 0.01 menghasilkan kinerja terbaik dengan nilai akurasi sebesar 96,03%, precision 96,03%, dan recall 96.03%, yang menunjukkan keseimbangan performa dalam mengenali serta mengklasifikasikan penyakit pada daun jagung. Penggunaan metode CLAHE terbukti mampu meningkatkan kualitas citra dan membantu model dalam mengekstraksi fitur penting secara lebih efektif. Dengan demikian, pendekatan ResNet-50 + CBAM dan teknik pra-pemrosesan CLAHE dinilai efektif dalam mengidentifikasi penyakit daun jagung secara akurat serta berpotensi dikembangkan lebih lanjut untuk sistem deteksi penyakit tanaman berbasis citra digital.

Item Type:

Thesis (S2 - Magister)

Contributor: