Habib, Zaky Fauzan (2026) ANALISIS YOLOv11n UNTUK DETEKSI PENYAKIT DAUN PISANG DENGAN KETIDAKSEIMBANGAN KELAS. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf - Published Version Download (2MB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (386kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (1MB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (932kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (2MB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (100kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (245kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.83.0659.zip - Published Version Restricted to Repository staff only Download (9MB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (1MB) |
Abstract
Penyakit daun pisang merupakan salah satu ancaman utama bagi produksi pisang di Indonesia, yang dapat menurunkan kualitas dan kuantitas hasil pertanian. Oleh karena itu, deteksi dini terhadap penyakit daun pisang sangat penting untuk meminimalkan kerugian ekonomi yang ditimbulkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit daun pisang secara otomatis menggunakan model deteksi objek YOLOv11n. Metode yang digunakan mencakup pengumpulan dataset daun pisang yang terinfeksi berbagai jenis penyakit dari platform Roboflow, yang kemudian dilakukan proses pra-pemrosesan dan augmentasi data untuk mengatasi ketidakseimbangan kelas dalam dataset. Model YOLOv11n dilatih dengan menggunakan teknik augmentasi data seperti flip horizontal, flip vertikal, grayscale, Gaussian blur, dan Gaussian noise untuk meningkatkan keberagaman data pelatihan. Hasil penelitian menunjukkan bahwa model YOLOv1n berhasil mencapai kinerja yang baik dalam mendeteksi penyakit daun pisang dengan skor mAP@50 sebesar 87.8% pada epoch ke 10, yang kemudian stabil pada 87.1% setelah 40 epoch. Evaluasi menggunakan metrik F1Confidence dan Recall-Confidence menunjukkan bahwa model ini memiliki keseimbangan yang baik antara presisi dan recall, dengan nilai F1-Confidence ratarata 0.82 dan Recall-Confidence 0.96 pada epoch ke-10. Dengan demikian, model YOLOv11n ini dapat diandalkan untuk deteksi penyakit daun pisang secara realtime dan memberikan kontribusi signifikan terhadap pengelolaan tanaman pisang yang lebih efisien. Penelitian ini juga memberikan solusi praktis bagi petani untuk memantau kesehatan tanaman dengan teknologi yang mudah diakses.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Deteksi penyakit, Daun pisang, YOLOv11n, Augmentasi Data, mAP, F1-Confidence, Disease detection, Banana Leaf, Data Augmentation. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum | ||
| Divisions: | Fakultas Ilmu Komputer > Teknik Komputer | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 30 Jun 2026 07:26 | ||
| Last Modified: | 30 Jun 2026 07:26 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/31832 |
Actions (login required)
 |
View Item |