GHOZY, MUHAMMAD IQBAL (2025) PENGEMBANGAN SISTEM KLASIFIKASI PENYAKIT DAUN TEH MENGGUNAKAN METODE OBJECT SEGMENTATION DAN CONVOLUTIONAL NEURAL NETWORK. Skripsi thesis, UPN "Veteran" Yogyakarta.
![]() |
Text
Cover.pdf Download (310kB) |
![]() |
Text
Abstrak.pdf Download (441kB) |
![]() |
Text
Daftar Isi.pdf Download (524kB) |
![]() |
Text
Daftar Pustaka.pdf Download (361kB) |
![]() |
Text
Halaman Pengesahan Pembimbing.pdf Download (412kB) |
![]() |
Text
Halaman Pengesahan Penguji.pdf Download (387kB) |
![]() |
Text
Naskah TA lengkap.pdf Restricted to Repository staff only Download (12MB) |
Abstract
Penyakit pada daun teh dapat menurunkan produktivitas dan kualitas hasil panen
tanaman teh. Oleh karena itu, diperlukan sistem yang mampu mengklasifikasikan jenis
penyakit pada daun teh secara otomatis dan akurat. Penelitian ini mengangkat permasalahan
mengenai efektivitas metode segmentasi dua tahap untuk mendeteksi area terinfeksi pada
daun teh serta dampaknya terhadap kinerja model klasifikasi Convolutional Neural Network
(CNN). Dua rumusan masalah utama yang dijawab dalam penelitian ini adalah: (1)
bagaimana kinerja segmentasi dua tahap dalam mengekstraksi area penyakit, dan (2)
bagaimana pengaruh segmentasi terhadap akurasi klasifikasi penyakit daun teh
menggunakan CNN.
Penelitian ini menggunakan pendekatan segmentasi dua tahap, yaitu segmentasi daun
menggunakan K-Means Clustering dan segmentasi penyakit menggunakan konversi ruang
warna CIELAB serta metode Otsu thresholding. Dataset utama diperoleh dari Kaggle dan
ditambah dengan anotasi manual untuk evaluasi segmentasi, serta lima dataset eksternal dari
Kaggle dan Mendeley Data untuk evaluasi generalisasi model. Proses klasifikasi dilakukan
menggunakan arsitektur CNN VGG19 dengan metode transfer learning. Tahapan penelitian
meliputi pengumpulan data, segmentasi objek, praproses citra, pelatihan dan evaluasi model,
serta implementasi sistem berbasis web menggunakan Streamlit.
Hasil evaluasi menunjukkan bahwa segmentasi daun memiliki performa spasial yang
tinggi (IoU: 0,9465; Dice: 0,9724; Pixel Accuracy: 0,9871), sedangkan segmentasi area
penyakit memiliki akurasi spasial yang lebih rendah (IoU: 0,4341; Dice: 0,5592). Pada
klasifikasi, model yang dilatih dengan citra asli menunjukkan akurasi validasi sebesar 98,6%
dan akurasi uji sebesar 99%, lebih tinggi dibandingkan model dengan citra hasil segmentasi
(94,6% dan 96%). Evaluasi terhadap data eksternal juga menunjukkan performa model citra
asli lebih baik (68,32%) dibanding segmentasi (64,32%). Penelitian ini menyimpulkan
bahwa meskipun segmentasi dapat membantu menyederhanakan data, citra asli tetap
memberikan informasi visual yang lebih lengkap dan mendukung performa klasifikasi yang
lebih akurat dan stabil. Sistem yang dikembangkan berhasil mengintegrasikan seluruh proses
segmentasi dan klasifikasi ke dalam antarmuka web interaktif. Penelitian ini memberikan
kontribusi dalam mengkaji pengaruh preprocessing spasial terhadap akurasi klasifikasi
penyakit tanaman berbasis citra.
Kata Kunci: Daun Teh, Klasifikasi Penyakit, Segmentasi Objek, CNN, VGG19
Item Type: | Tugas Akhir (Skripsi) |
---|---|
Uncontrolled Keywords: | Daun Teh, Klasifikasi Penyakit, Segmentasi Objek, CNN, VGG19 |
Subjek: | Q Science > Q Science (General) |
Divisions: | Fakultas Teknik Industri > (S1) Informatika |
Depositing User: | Eny Suparny |
Date Deposited: | 03 Oct 2025 03:42 |
Last Modified: | 03 Oct 2025 03:42 |
URI: | http://eprints.upnyk.ac.id/id/eprint/44047 |
Actions (login required)
![]() |
View Item |