DETEKSI PENYAKIT PADA DAUN JAGUNG MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

RAHMATULLAH, MUHAMAD FAHMI (2022) DETEKSI PENYAKIT PADA DAUN JAGUNG MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Other thesis, UPN "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (110kB)
	Text COVER.pdf Download (430kB)
	Text DAFTAR ISI.pdf Download (163kB)
	Text DAFTAR PUSTAKA.pdf Download (107kB)
	Text Lembar Pengesahan Pembimbing.pdf Download (1MB)
	Text Lembar Pengesahan Penguji.pdf Download (2MB)
	Text SKRIPSI_FULL_Muhamad Fahmi Rahmatullah_123180108.pdf Restricted to Repository staff only Download (6MB)

Abstract

Tanaman jagung merupakan salah satu tanaman pangan pokok setelah gandum dan padi.
Tanaman ini berpotensi serangan hama dan penyakit, serangan ini dapat mengakibatkan
penurunan kualitas dan kuantitas hasil panen jagung secara global. Penyakit pada tanaman
dapat dilihat dari perubahan warna daunnya yang disebabkan oleh jamur, mikroba ataupun
virus sehingga menyulitkan manusia untuk mengidentifikasi jenis penyakit yang terdapat pada
daun secara kasat mata. Oleh karena itu, diperlukan computer vision untuk membantu
mengatasi permasalahan pada penyakit daun jagung yang tetap mempertahankan warna
aslinya, salah satu caranya adalah dengan menggunakan Convolutional Neural Network
(CNN).
CNN diklaim sebagai metode terbaik untuk mengatasi dalam permasalahan object
detection dan object recognition. Metode ini memiliki jumlah parameter yang independen
sehingga dapat dikurangi dan dapat menangani perubahan bentuk pada gambar input seperti
translasi, rotasi, dan skala serta metode ini memiliki tingkat akurasi yang tinggi dibandingkan
dengan metode yang lainnya. Untuk mendapatkan model CNN yang optimal dibutuhkan
pengujian kombinasi hyperparameter dan pemilihan algoritma optimasi yang tepat sehingga
menghasilkan model yang optimal dan tingkat akurasi yang tinggi. Maka dari itu, dilakukan 8
skenario kombinasi hyperaparameter dan algoritma optimasi untuk mendapatkan akurasi yang
tinggi.
Pada penelitian ini dilakukan pengujian dengan confusion matrix dengan jumlah data
sebanyak 13,355 data latih dan 40 data uji. Dari hasil pengujian tersebut didapatkan kombinasi
hyperparameter yang paling baik yaitu algoritma optimasi jenis Adam, pooling layer jenis max
pooling, target size sebesar 128x128x pixels, dengan jumlah convolution layer sebanyak 4
layer dan jumlah epoch sebanyak 150 epochs yang menghasilkan tingkat akurasi sebesar
92,48% untuk training dan 92,5% untuk testing. Hal ini menunjukkan bahwa CNN dapat
mengatasi pengolahan citra dengan jumlah data yang besar dan tetap mempertahankan warna
asli dari citranya dengan menghasilkan akurasi yang baik.
Kata Kunci : citra daun jagung, CNN, deteksi penyakit, hyperparameter, klasifikasi penyakit

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Citra daun jagung, CNN, deteksi penyakit, hyperparameter, klasifikasi penyakit
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	17 Nov 2022 06:15
Last Modified:	17 Nov 2022 06:15
URI:	http://eprints.upnyk.ac.id/id/eprint/31640

Actions (login required)

View Item