IDENTIFIKASI PENYAKIT PADA DAUN TANAMAN MANGGA DENGAN HYPERPARAMATER TERBAIK PADA CONVOLUTIONAL NEURAL NETWORK

Hidayat, Mochammad Winanda (2024) IDENTIFIKASI PENYAKIT PADA DAUN TANAMAN MANGGA DENGAN HYPERPARAMATER TERBAIK PADA CONVOLUTIONAL NEURAL NETWORK. Other thesis, UPN Veteran Yogyajarta.

	Text ABSTRAK_MOCHAMMAD WINANDA HIDAYAT_123180151.pdf Download (14kB)
	Text COVER_MOCHAMMAD WINANDA HIDAYAT_123180151.pdf Download (154kB)
	Text DAFTAR ISI_MOCHAMMAD WINANDA HIDAYAT_123180151.pdf Download (100kB)
	Text DAFTAR PUSTAKA_MOCHAMMAD WINANDA HIDAYAT_123180151.pdf Download (79kB)
	Text PENGESAHAN_MOCHAMMAD WINANDA HIDAYAT_123180151.pdf Download (350kB)
	Text SKRIPSI FULLTEXT_MOCHAMMAD WINANDA HIDAYAT_123180151.pdf Restricted to Repository staff only Download (2MB)

Abstract

vi
ABSTRAK
Penyakit pada tanaman merupakan suatu kondisi dimana sel maupun jaringan pada
tanaman sedang mengalami gangguan dikarenakan dari beberapa faktor sehingga tanaman
menjadi tidak normal dan menimbulkan gejala yang mampu mengganggu tingkat
perkembangan pada tanaman. Pada tanaman mangga penyakit dapat disebabkan dari parasit
dan non-parasit. Penyebab dari penyakit yang disebabkan parasit bisa terjadi karena adanya
hama, patogen, sedangkan pada non parasit faktor suhu, cuaca, iklim, sinar matahari. Pada
penelitian sebelumnya hyperparameter yang digunakan hanya 1 dengan size 250x250 dan
epochs 100 dengan jumlah kelas ada 2 sehingga pada penelitian ini akan menerapkan
hyperparameter dengan melihat akurasi paling baik dari beberapa skenario untuk identifikasi
penyakit pada daun mangga.
Identifikasi penyakit pada tanaman mangga pada penelitian ini menggunakan metode
Convolutional Neural Network (CNN) dengan Hyperparamater Terbaik. CNN memiliki
kelebihan yaitu adanya fitur ekstraksi otomatis sehingga memudahkan dalam ekstraksi data
yang rumit. CNN juga cukup baik apabila data yang digunakan cukup banyak sehingga pada
penelitian ini menggunakan kelas dengan jumlah 5 kelas dan 1000 data. Hyperparamater yang
digunakan berupa target size 150x150, 250x250, 64x64, 224x224, 256x256, dan 50x50 piksel
dengan masing-masing epochs pada target size sebesar 50 dan 100.
Hyperparameter terbaik yang diperoleh pada identifikasi penyakit pada tanaman
mangga dengan menggunakan target size 224x224 pixels dan epochs sebesar 100 mendapatkan
akurasi training sebesar 95,67% dan akurasi validation sebesar 93,50% dari jumlah 800 data
pada data training dan 200 data pada data validation. Hal ini menunjukkan bahwa dari penelitian
ini mendapatkan akurasi yang lebih baik dengan target size yang lebih rendah.
Kata Kunci : Penyakit, Mangga, CNN, Identifikasi, Hyperparameter
vii
ABSTRACT
Disease in plants is a condition where cells and tissues in plants are experiencing
problems due to several factors so that the plant becomes abnormal and causes symptoms that
can disrupt the level of development of the plant. In mango plants, diseases can be caused by
parasites and non-parasites. The causes of diseases caused by parasites can occur due to the
presence of pests, pathogens, while for non-parasites the factors are temperature, weather,
climate, sunlight. In previous research, only 1 hyperparameter was used with a size of 250x250
and epochs 100 with a total of 2 classes, so in this research we will apply hyperparameters by
looking at the best accuracy of several scenarios for identifying diseases on mango leaves.
Identification of diseases in mango plants in this study used the Convolutional Neural
Network (CNN) method with the Best Hyperparamater. CNN has the advantage of having an
automatic extraction feature that makes it easier to extract complex data. CNN is also quite good
if quite a lot of data is used, so this research uses 5 classes and 1000 data. The hyperparamaters
used are target sizes of 150x150, 250x250, 64x64, 224x224, 256x256, and 50x50 pixels with
each epochs at the target size of 50 and 100.
The best hyperparameters obtained for disease identification in mango plants using a
target size of 224x224 pixels and epochs of 100 obtained a training accuracy of 95.67% and a
validation accuracy of 93.50% from a total of 800 data in the training data and 200 data in the
validation data. This shows that this research obtained better accuracy with a lower target size.
Keywords: Disease, Mango, CNN, Identification, Hyperparameters

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Disease, Mango, CNN, Identification, Hyperparameters
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	09 Jan 2024 02:51
Last Modified:	09 Jan 2024 02:52
URI:	http://eprints.upnyk.ac.id/id/eprint/38616

Actions (login required)

View Item