PERBANDINGAN PERFORMA ARSITEKTUR VGG-19 DAN DENSENET-121 UNTUK KLASIFIKASI PENYAKIT TANAMAN PADI

MEGAHAZTUTI, ISTIMEWA (2024) PERBANDINGAN PERFORMA ARSITEKTUR VGG-19 DAN DENSENET-121 UNTUK KLASIFIKASI PENYAKIT TANAMAN PADI. Other thesis, UPN "Veteran" Yogyakarta.

[thumbnail of COVER_ISTIMEWA MEGAHAZTUTI_123190001.pdf] Text
COVER_ISTIMEWA MEGAHAZTUTI_123190001.pdf

Download (223kB)
[thumbnail of ABSTRAK_ISTIMEWA MEGAHAZTUTI_123190001.pdf] Text
ABSTRAK_ISTIMEWA MEGAHAZTUTI_123190001.pdf

Download (21kB)
[thumbnail of PENGESAHAN PEMBIMBING_ISTIMEWA MEGAHAZTUTI_123190001.pdf] Text
PENGESAHAN PEMBIMBING_ISTIMEWA MEGAHAZTUTI_123190001.pdf

Download (235kB)
[thumbnail of PENGESAHAN PENGUJI_ISTIMEWA MEGAHAZTUTI_123190001.pdf] Text
PENGESAHAN PENGUJI_ISTIMEWA MEGAHAZTUTI_123190001.pdf

Download (172kB)
[thumbnail of DAFTAR ISI_ISTIMEWA MEGAHAZTUTI_123190001.pdf] Text
DAFTAR ISI_ISTIMEWA MEGAHAZTUTI_123190001.pdf

Download (172kB)
[thumbnail of DAFTAR PUSTAKA_ISTIMEWA MEGAHAZTUTI_123190001.pdf] Text
DAFTAR PUSTAKA_ISTIMEWA MEGAHAZTUTI_123190001.pdf

Download (156kB)
[thumbnail of SKRIPSI FULL_ISTIMEWA MEGAHAZTUTI_123190001.pdf] Text
SKRIPSI FULL_ISTIMEWA MEGAHAZTUTI_123190001.pdf
Restricted to Repository staff only

Download (5MB)

Abstract

Tanaman padi (Oryza sativa L.) merupakan sumber pangan utama yang sering
menghadapi tantangan kegagalan panen akibat berbagai penyakit tanaman. Penyakit ini tidak
hanya menurunkan produktivitas, tetapi juga diperburuk oleh keterbatasan pengetahuan
petani dalam mengenali gejala serta ketergantungan pada diagnosis manual yang
membutuhkan waktu lama. Penelitian ini bertujuan membandingkan performa dua arsitektur
Convolutional Neural Network (CNN), yaitu VGG-19 dan DenseNet-121, dalam
mengklasifikasi penyakit tanaman padi berbasis pengolahan citra.
Akurasi yang rendah dan overfitting adalah masalah yang sering diamati saat dataset
kecil digunakan untuk melatih model deep learning, seperti Convolutional Neural Networks
(CNN). Pada penelitian ini dilakukan modifikasi pada arsitektur VGG-19 dan DenseNet-121
agar model dapat mencapai akurasi yang baik dan mengurangi risiko overfitting meskipun
menggunakan dataset kecil. Dataset terdiri dari 11.790 gambar dalam 9 kelas, yang dibagi
menjadi 7545 data training, 1887 data validasi, dan 2358 data pengujian. Setelah data
training diaugmentasi total gambr dalam dataset menjadi 23.580.
Sebelum modifkasi, model DenseNet-121 mencapai akurasi tertinggi sebesar
50.45% dan F1-score 44.83%, sedangkan VGG-19 mecapai akurasi tertinggi sebesar 13.84%
dan F1-score 7.39%. Setelah dilakukan modifikasi pada kedua model, hasil pengujian
menunjukkan bahwa DenseNet-121 mencapai akurasi 97.76% dan F1-score 96.31%,
sedangkan VGG-19 mencapai akurasi 84.82% dan F1-score 87.52%. Keunggulan
DenseNet-121 terletak pada kemampuannya mengolah fitur secara lebih efisien,
menghasilkan prediksi yang lebih akurat dibandingkan VGG-19. Penelitian ini berkontribusi
dalam pemilihan arsitektur model terbaik untuk mendukung diagnosis penyakit tanaman
padi secara otomatis, yang relevan bagi sektor pertanian di Indonesia.
Kata Kunci : Klasifikasi, Padi, CNN, VGG-19, DenseNet-121, Modifikasi Arsitektur

Item Type: Thesis (Other)
Uncontrolled Keywords: Klasifikasi, Padi, CNN, VGG-19, DenseNet-121, Modifikasi Arsitektur
Subjects: S Agriculture > SB Plant culture
T Technology > T Technology (General)
Divisions: Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User: A.Md.SI Indah Lestari Wulan Aji
Date Deposited: 05 Mar 2025 02:11
Last Modified: 05 Mar 2025 02:11
URI: http://eprints.upnyk.ac.id/id/eprint/42188

Actions (login required)

View Item View Item