KLASIFIKASI PENYAKIT DAUN PADI MENGGUNAKAN ARSITEKTUR MOBILENET-V2 DENGAN METODE TRANSFER LEARNING CONVOLUTION NEURAL NETWORK (CNN) DAN RMSPROP OPTIMIZER

Kurnia, Prudenca Ahmad Daffa (2024) KLASIFIKASI PENYAKIT DAUN PADI MENGGUNAKAN ARSITEKTUR MOBILENET-V2 DENGAN METODE TRANSFER LEARNING CONVOLUTION NEURAL NETWORK (CNN) DAN RMSPROP OPTIMIZER. Other thesis, UPN Veteran Yogyakarta.

	Text Skripsi Fulltext_Prudenca Ahmad Daffa Kurnia_123190005.pdf Restricted to Repository staff only Download (4MB)
	Text Cover_Prudenca Ahmad Daffa Kurnia_123190005.pdf Download (328kB)
	Text Abstrak_Prudenca Ahmad Daffa Kurnia_123190005.pdf Download (263kB)
	Text Halaman Pengesahan Pembimbing_Prudenca Ahmad Daffa Kurnia_123190005.pdf Download (89kB)
	Text Halaman Pengesahan Penguji_Prudenca Ahmad Daffa Kurnia_123190005.pdf Download (92kB)
	Text Daftar Isi_Prudenca Ahmad Daffa Kurnia_123190005.pdf Download (299kB)
	Text Daftar Pustaka_Prudenca Ahmad Daffa Kurnia_123190005.pdf Download (218kB)

Abstract

Sektor pertanian, khususnya padi di Indonesia, sangat penting bagi ekonomi negara, di mana
tanaman padi merupakan sumber utama beras. Untuk memastikan produktivitas padi tetap optimal,
kualitas dan kesehatan tanaman harus diperhatikan dengan seksama. Salah satu tantangan utama
dalam meningkatkan hasil panen adalah penyakit daun yang disebabkan oleh bakteri atau jamur,
yang sulit dibedakan oleh petani.
Oleh karena itu, penelitian ini fokus pada pengembangan metode klasifikasi otomatis untuk
mendeteksi penyakit daun padi menggunakan transfer learning Convolution Neural Network (CNN)
dengan arsitektur MobileNetV2. Eksperimen dilakukan dengan melakukan pengujian terhadap 8
kombinasi konfigurasi, yang meliputi penerapan remove background, penarapan augmentasi citra,
dan penggunaan optimizer RMSProp. Pada pengujian augmentasi diterapkan rotation range senilai
30%, zoom range senilai 30% , horizontal and vertical flip, dan brightness range senilai 30% pada
data latih dan validasi.
Hasil dari 8 kombinasi pengujian yang telah dilaksanakan diperoleh performa terbaik model
dengan konfigurasi kombinasi pengujian yang menggunakan remove background (With BG), tidak
diterapkan augmentasi (No Aug), dan tidak menggunakan optimizer RMSProp (No RMS)
menghasilkan performa akurasi yang terbaik. Model dengan konfigurasi ini mampu mencapai
akurasi pelatihan 98.74% dengan loss 0.034, akurasi validasi 98.41% dengan loss 0.041, dan akurasi
pengujian 98%. Nilai nilai tersebut menunjukkan keseimbangan optimal antara kecepatan
konvergensi dan kemampuan generalisasi. Hal ini ditandai dengan akurasi yang tinggi, selisih loss
yang relatif rendah, serta grafik pelatihan yang stabil. Berdasarkan hasil tersebut disimpulkan bahwa
penerapan transfer learning Convolutional Neural Network (CNN) arsitektur MobileNetV2 terbukti
mampu memberikan performa yang baik pada kasus klasifikasi penyakit pada daun padi.
Kata Kunci : Convolutional Neural Network, MobileNetV2, Transfer Learning, Penyakit Pada Daun
Padi

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, MobileNetV2, Transfer Learning, Penyakit Pada Daun Padi
Subjects:	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:	19 Dec 2024 03:48
Last Modified:	19 Dec 2024 03:48
URI:	http://eprints.upnyk.ac.id/id/eprint/41876

Actions (login required)

View Item