KLASIFIKASI PENYAKIT DAUN TERONG MENGGUNAKAN DATASET TERAUGMENTASI DENGAN OPTIMASI FINETUNING DENGAN ALGORITMA MOBILENETV2

Ramadianto, Muhammad (2026) KLASIFIKASI PENYAKIT DAUN TERONG MENGGUNAKAN DATASET TERAUGMENTASI DENGAN OPTIMASI FINETUNING DENGAN ALGORITMA MOBILENETV2. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (233kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (916kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (450kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (133kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (241kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4945.zip - Published Version Restricted to Repository staff only Download (146kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (595kB)

Abstract

Terong (Solanum melongena L.) merupakan salah satu komoditas hortikultura yang banyak dibudidayakan di Indonesia, namun produktivitasnya sering menurun akibat serangan penyakit daun. Identifikasi penyakit daun secara konvensional masih dilakukan melalui pengamatan visual sehingga rentan terhadap kesalahan diagnosis, membutuhkan waktu, dan tidak efisien pada lahan berskala besar. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun terong berbasis citra digital menggunakan metode Deep Learning dengan arsitektur MobileNetV2. Dataset yang digunakan berasal dari Mendeley Data dan telah melalui proses augmentasi, sehingga penelitian ini berfokus pada optimalisasi pelatihan model menggunakan transfer learning dan fine-tuning. Tahapan penelitian meliputi preprocessing citra, pembagian data menjadi data training, validation, dan testing, pelatihan model MobileNetV2 pretrained ImageNet, serta evaluasi performa menggunakan confusion matrix dan metrik akurasi. Hasil eksperimen menunjukkan bahwa model mencapai validation accuracy terbaik sebesar 95.52% pada epoch ke-34. Selain itu, evaluasi pada data testing menghasilkan akurasi sebesar 93.92%. Hasil tersebut membuktikan bahwa MobileNetV2 dengan strategi fine-tuning mampu memberikan performa klasifikasi yang baik dengan efisiensi komputasi yang tinggi. Sistem ini diharapkan dapat membantu petani dalam mendeteksi penyakit daun terong secara cepat dan akurat sebagai bagian dari penerapan smart agriculture.

Actions (login required)

View Item