KLASIFIKASI PENYAKIT PADA DAUN KENTANG MENGGUNAKAN PENGOLAHAN CITRA DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)

Situngkir, Torangto Yos P. (2022) KLASIFIKASI PENYAKIT PADA DAUN KENTANG MENGGUNAKAN PENGOLAHAN CITRA DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN). Other thesis, UPN 'Veteran" Yogyakarta.

	Text Abstrak.pdf Download (10kB)
	Text COVER.pdf Download (275kB)
	Text Daftar Isi.pdf Download (300kB)
	Text Daftar Pustaka.pdf Download (389kB)
	Text Halaman Pengesahan Pembimbing.pdf Download (202kB)
	Text Skripsi_123180122_Torangto Situngkir.pdf Download (4MB)
	Text Skripsi_123180122_Torangto Situngkir.pdf Restricted to Repository staff only Download (4MB)

Abstract

vi
ABSTRAK
Kentang (Solanum tuberosum) merupakan salah satu tanaman pangan terpenting
ketiga di dunia, setelah gandum dan beras.Dalam mengelola pertanian kentang tentu saja ada
beberapa kendala diantaranya adalah penyakit yang menyerang pada daun kentang yang jika
dibiarkan dapat menyebabkan berkurangnya hasil panen atau bahkan gagal panen.Penyakit
yang paling sering menyerang tanaman kentang ini adalah penyakit pembusukan dini (early
blight) dan penyakit busuk daun (late blight).Kedua penyakit ini terkadang terlihat mirip
sehingga sulit untuk dikenali. Dengan perkembangan teknologi saat ini, memungkinkan
dilakukannya deteksi penyakit terhadap tanaman secara otomatis menggunakan
komputer.Salah satunya menggunakan Deep Learning, Metode Deep Learning yang saat ini
memiliki hasil paling signifikan dalam pengenalan citra adalah Convolutional Neural
Network (CNN).
Penelitian ini menggunakan metode CNN dengan model paling optimal.Sebelum
dilakukan klasifikasi terlebih dahulu dilakukan proses preprocessing dengan menghapus
background pada citra daun kentang.Selanjutnya dilakukan pengujian kombinasi
Hyperparameter dan Optimizer. Hyperparameter yang diujikan antara lain epoch dan
convolutional layer kemudian algoritma optimasi yang diujikan yaitu Adam,SGD,dan
RMSProp.Pengujian dilakukan untuk menemukan model dengan tingkat akurasi tertinggi
dan nilai loss paling rendah,penelitian ini melakukan pengujian pada 18 jenis model yang
telah dirancang.Setelah itu dilakukan pengembangan sistem dengan pengujian citra gambar
yang sudah di augmentasi menggunakan rotasi dengan besar 30° dan 60°,brightness
ditambah 40% dan dikurangi 40%,shear range 15% dan 30%.
Pengujian dilakukan dengan skenario confusion matrix untuk menentukan tingkat
akurasi yang dihasilkan oleh model CNN. Berdasarkan dari hasil klasifikasi yang
dilakukan,didapatkan tingkat akurasi sebesar 98,2% dengan model paling optimal adalah
Optimizer Adam, Convolutional Layer 5,dan epochs 100.
Kata kunci : Daun Kentang,Convolutional Neural Network,Klasifikasi,Hyperparameter
vii
ABSTRACT
Potato (Solanum Tuberosum) is the third most important food crop in the world, after
cereals and rice. In managing this potato, of course, there are several obstacles including
diseases that attack potato leaves which if left unchecked will result in poor production or
even crop failure.These potatoes are early blight and late blight. Both of these diseases may
look like diseases that are difficult to recognize. With current technological developments,
it is possible to detect diseases of plants automatically using a computer. One of them uses
Deep Learning, the Deep Learning Method which currently has the most significant results
in image recognition is the Convolutional Neural Network (CNN).
In this study using the CNN method with the most optimal model. Before the
classification is carried out, the preprocessing process is carried out by removing the
background on the potato leaf image. Then, the combination of Hyperparameter and
Optimizer was tested. The tested hyperparameters include the epoch and convolutional layer
then the optimization algorithms tested are Adam, SGD, and RMSProp. Tests were carried
out to find the model with the highest level of accuracy and the lowest loss value, this study
tested 18 combinations of models that have been designed. After that, the system was
developed by testing the augmented images using a rotation with a size of 30° and 60°,
brightness plus 40% and reduced 40%, shear range 15% and 30%.
The test is carried out with a confusion matrix scenario to determine the level of
accuracy generated by the CNN model. Based on the results of the classification carried out,
an accuracy rate of 98.2% was obtained with the most optimal model being the Adam
Optimizer, Convolutional Layer 5, and 100 epochs.
Keywords : Potato Leaves,Convolutional Neural Network,Classification,Hyperparameter

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Potato Leaves,Convolutional Neural Network,Classification,Hyperparameter
Subjects:	S Agriculture > SB Plant culture
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	04 Nov 2022 04:04
Last Modified:	04 Nov 2022 04:04
URI:	http://eprints.upnyk.ac.id/id/eprint/31531

Actions (login required)

View Item