PENGEMBANGAN ARSITEKTUR HIBRIDA EFFICIENTNETVIT DENGAN EXPLAINABLE AI (XAI) UNTUK DETEKSI PENYAKIT TANAMAN PISANG

Hasri, Rasyif Ibnu (2026) PENGEMBANGAN ARSITEKTUR HIBRIDA EFFICIENTNETVIT DENGAN EXPLAINABLE AI (XAI) UNTUK DETEKSI PENYAKIT TANAMAN PISANG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (713kB)
	Text (BAB I) BAB I.pdf - Published Version Download (222kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (580kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (306kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (2MB)
	Text (BAB V) BAB V.pdf - Published Version Download (142kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (165kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4710.zip - Published Version Restricted to Repository staff only Download (9MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (584kB)

Abstract

Penyakit pada tanaman pisang seperti Sigatoka, Cordana, dan Panama merupakan ancaman serius yang berdampak pada terganggunya ketahanan pangan. Diagnosis manual dinilai lambat, sehingga dibutuhkan sistem deteksi otomatis yang tangguh. Sayangnya, penggunaan model deep learning tunggal menghadapi keterbatasan arsitektural. Convolutional Neural Network (CNN) kesulitan menangkap konteks spasial jarak jauh, sedangkan Vision Transformer (ViT) rentan mengalami overfitting pada dataset berskala kecil. Untuk menyelesaikan masalah tersebut, penelitian ini merancang arsitektur hibrida yang mengintegrasikan EfficientNetV2 (pengekstraksi fitur lokal) dan ViT (pengekstraksi konteks global). Metode ini menggunakan 4.675 citra sekunder untuk proses permodelan, serta 40 citra lapangan primer untuk pengujian validasi eksternal (mengukur pergeseran domain). Selain itu, teknik Explainable AI berbasis Grad-CAM diterapkan untuk memvisualisasikan landasan pengambilan keputusan dan mengatasi sifat kotak hitam. Hasil pengujian internal menunjukkan EfficientNetV2 mencapai akurasi tertinggi 99,29%, diikuti ViT (98,58%), dan Hibrida (97,88%). Namun, pada pengujian eksternal di lapangan, ViT turun drastis menjadi 62,50%. Sementara itu, EfficientNetV2 (82,50%) dan Hibrida terbukti stabil di angka 80,00%. Analisis Grad-CAM memvalidasi bahwa model hibrida mengevaluasi geometri lesi secara holistik melalui mekanisme self-attention, sehingga mampu mengatasi kelemahan spesifik CNN yang hanya mengunci fitur tepi lesi secara parsial dan rentan salah klasifikasi pada kasus dengan kemiripan tekstur antar-kelas penyakit. Penelitian ini berkontribusi menghasilkan sistem deteksi andal dan transparan bagi praktisi pertanian. Untuk penelitian lanjutan, direkomendasikan menerapkan segmentasi latar belakang, pengayaan augmentasi data lapangan, kompresi arsitektur seluler, serta restrukturisasi lapisan penyandian posisi.

Actions (login required)

View Item