KLASIFIKASI CITRA DAUN SAWI BERBASIS CNN UNTUK MEMBEDAKAN TANAMAN SEHAT DAN TERKENA HAMA

Hafidurrohman, M. (2026) KLASIFIKASI CITRA DAUN SAWI BERBASIS CNN UNTUK MEMBEDAKAN TANAMAN SEHAT DAN TERKENA HAMA. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
23.55.1398 - M. Hafidurrohman.pdf - Published Version
Download (4MB)

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.

Item Type:

Thesis (S2 - Magister)

Contributor: