DETEKSI PENYAKIT PADA DAUN ANGGUR MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Firdia, Khalil Attalla (2022) DETEKSI PENYAKIT PADA DAUN ANGGUR MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text 123180119 Laporan Akhir Sidang FIX.pdf Restricted to Repository staff only Download (2MB)
	Text Abstrak.pdf Download (109kB)
	Text cover-1.pdf Download (113kB)
	Text DAFTAR ISI.pdf Download (389kB)
	Text DAFTAR PUSTAKA.pdf Download (117kB)
	Text Lembar Pengesahan Full TTD.pdf Download (623kB)

Abstract

Tanaman merambat seperti buah Anggur sangat rentan terhadap penyakit, yang
dapat dikenali dari bercak pada daunnya. Contoh penyakitnya adalah bercak daun, campak
hitam, dan hawar daun. Lesi pada daun anggur sangat mirip, sehingga sulit dikenali
dengan mata telanjang dan hasil identifikasi penyakit yang kurang akurat. Oleh karena itu
diperlukan computer vision untuk pengolahan citra daun anggur sebagai klasifikasi citra
penyakit daun anggur, salah satunya menggunakan Convolutional Neural Network (CNN). Untuk mendapatkan model CNN yang optimal dibutuhkan pengujian kombinasi
hyperparameter dan pemilihan algoritma optimasi yang tepat untuk menghasilkan model
yang optimal sehingga bisa menghasilkan tingkat akurasi yang tinggi. Model CNN yang optimal didapatkan dengan melakukan tuning hyperparameter
serta algoritma optimasi. Hyperparameter yang diujikan antara lain pooling layer, convolution layer, target size dan epochs, kemudian algoritma optimasi yang diujikan
yaitu Adam, RMSProp, dan SGD. Tuning hyperparameter dilakukan dengan menguji
kombinasi nilai hyperparameter dan algoritma optimasi untuk menemukan model dengan
tingkat akurasi tertinggi dan nilai loss paling rendah, penelitian ini melakuan pengujian
pada 18 jenis model yang telah dirancang. Pengujian dilakukan dengan menggunakan model arsitektur CNN. Pengujian
dilakukan menggunakan citra dengan posisi yang tidak miring, dan memiliki kecerahan
yang cukup terang. Dari hasil pengujian tersebut didapatkan kombinasi hyperparameter
optimal yaitu jenis optimizer RMSProp, jenis pooling layer Max Pooling, nilai target size
128 x 128 pixels, jumlah convolution layer sebanyak 3 layer dan jumlah epochs sebanyak
120 yang menghasilkan tingkat akurasi sebesar 97,01%. Kata kunci : citra daun anggur, hyperparameter, CNN, algoritma optimasi, klasifikasi
citra, deteksi citra

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	citra daun anggur, hyperparameter, CNN, algoritma optimasi, klasifikasi citra, deteksi citra
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	07 Apr 2022 04:53
Last Modified:	07 Apr 2022 04:55
URI:	http://eprints.upnyk.ac.id/id/eprint/29404

Actions (login required)

View Item