IMPLEMENTASI METODE CNN DENGAN ARSITEKTUR MOBILENET-V2 DALAM KLASIFIKASI PENYAKIT TANAMAN ANGGUR BERDASARKAN CITRA DAUN

WICAKSONO, MUHAMMAD PRAMUDYA (2025) IMPLEMENTASI METODE CNN DENGAN ARSITEKTUR MOBILENET-V2 DALAM KLASIFIKASI PENYAKIT TANAMAN ANGGUR BERDASARKAN CITRA DAUN. Other thesis, UPN Veteran Yogyakarta.

	Text Abstrak Skripsi_123180067_Muhammad Pramudya Wicaksono.pdf Download (227kB)
	Text Cover Skripsi_123180067_Muhammad Pramudya Wicaksono.pdf Download (186kB)
	Text Daftar Isi Skripsi_123180067_Muhammad Pramudya Wicaksono.pdf Download (240kB)
	Text Daftar Pustaka Skripsi_123180067_Muhammad Pramudya Wicaksono.pdf Download (186kB)
	Text Fulltext Skripsi_123180067_Muhammad Pramudya Wicaksono.pdf Restricted to Repository staff only Download (3MB)
	Text Halaman Pengesahan Skripsi_123180067_Muhammad Pramudya Wicaksono.pdf Download (954kB)

Abstract

ABSTRAK
Anggur merupakan buah berasal dari daerah subtropis yang memiliki kemampuan
beradaptasi di wilayah Indonesia. Melihat manfaat dari tanaman ini meningkatkan minat
masyarakat terhadap tanaman anggur. Salah satu manfaat buah anggur untuk kesehatan,
termasuk kemampuan untuk mencegahnya terjadi pembentukan sel kanker dan penyakit lain
karena mengandung senyawa polifenol dan resveratrol yang dapat meningkatkan
metabolisme tubuh.Meningkatnya kebutuhan buah anggur membuat banyak petani yang
berusaha mencoba menumbuhkan tanaman anggur, akan tetapi tanaman anggur rentan
terhadap penyakit yang mengakibatkan berubahnya rasa dari buah anggur atau berkurangnya
jumlah buah anggur dalam sekali berbuah. Oleh karena itu, identifikasi penyakit tanaman
merambat diperlukan untuk mencegah dan mengurangi penyebaran penyakit anggur. Selama
ini pemeriksaan penyakit pada buah anggur masih dilakukan secara manual yaitu dengan
pemeriksaan daun buah anggur oleh ahlinya.
Akibat menggunakan cara manual memakan waktu lama maka diperlukan cara lain
selain cara manual yaitu menggunakan cara komputasi sebagai cara melakukan klasifikasi
penyakit yang terjadi pada tanaman anggur. Dalam melakukan klasifikasi terdapat berbagai
macam metode yang dapat digunakan antarai K-Nearest Neighbor (KNN), Naive Bayes
(NB), Support Vector Machines (SVM), Convutional Neural Network (CNN) dan bayak
lainya.
Penelitian ini menggunakan metode Convutional Neural Network (CNN) dalam
metode CNN terdapat berbagai macam jenis arsitektur yang memiliki kemampuan untuk
mengekstraksi fitur secara otomatis dan banyak macam arsitektur dalam Convolutional
Neural Network(CNN). Penelitian ini menggunakan arsitektur MobileNetV2, pemilihan
arsitektur ini karena memiliki keunggulan berupa waktu training singkat dan jumlah
komputasi yang kecil dengan total data citra yang digunakan pada penelitian ini adalah 4.000
citra daun anggur dengan 4 kelas uji yaitu Black Measles, Black Rot, Healthy, dan Isariopsis
Leafspot.
Hasil dari Penelitian ini mendapatkan model yang paling optimal yaitu MobileNetV2
dengan dengan input shape sebesar 224×224 dan 20 epoch mendapatkan akurasi sebesar
92.50%. Setelah diuji menggunakan confusion matrix, didapatkan nilai recall 92.50%,
precission 92.75%, dan f1-score 92.75%. Penggunaan model Convolutional Neural Network
dengan arsitektur MobileNetV2 dapat dengan baik mengklasifikasikan penyakit tanaman
anggur berdasarkan citra daun. Sehingga model Convolutional Neural Network
menggunakan arsitektur MobileNetV2 memiliki kualitas yang sangat baik untuk
mengklasifikasikan penyakit tanaman anggur berdasarkan citra daun.
Kata kunci: MobileNetV2, Penyakit Tanaman Anggur, Convolutional Neural Network.
vi
ABSTRACT
Grapes are fruits originating from subtropical regions that have the ability to adapt
in Indonesia. Seeing the benefits of this plant increases public interest in grape plants. One
of the health benefits of grapes, including the ability to prevent the formation of cancer cells
and other diseases because they contain polyphenol and resveratrol compounds that can
increase the body's metabolism. The increasing need for grapes has made many farmers try
to grow grape plants, but grape plants are susceptible to diseases that cause changes in the
taste of grapes or a decrease in the number of grapes in one fruiting. Therefore,
identification of vine diseases is needed to prevent and reduce the spread of grape diseases.
So far, examination of grape diseases has been carried out manually, namely by examining
grape leaves by experts.
Due to the time-consuming manual method, another method is needed besides the
manual method, namely using a computational method as a way to classify diseases that
occur in grape plants. In carrying out classification, there are various methods that can be
used, including K-Nearest Neighbor (KNN), Naive Bayes (NB), Support Vector Machines
(SVM), Convutional Neural Network (CNN) and many others.
This study uses the Convolutional Neural Network (CNN) method in the CNN method
there are various types of architectures that have the ability to extract features automatically
and many types of architectures in the Convolutional Neural Network (CNN). This study
uses the MobileNet-V2 architecture, this architecture was chosen because it has the
advantage of short training time and small amount of computation with a total of image data
used in this study is 4,000 grape leaf images with 4 test classes namely Black Measles, Black
Rot, Healthy, and Isariopsis Leafspot.
The results of this study obtained the most optimal model, namely MobileNetV2 with
an input shape of 224 × 224 and 20 epochs, obtaining an accuracy of 92.50%. After being
tested using a confusion matrix, a recall value of 92.50%, precision of 92.75%, and f1-score
of 92.75% were obtained. The use of the Convolutional Neural Network model with the
MobileNetV2 architecture can well classify grape plant diseases based on leaf images. So
the Convolutional Neural Network model using the MobileNetV2 architecture has very good
quality for classifying grape plant diseases based on leaf images.
Keywords: MobileNetV2, Plant Grape Disease, Convolutional Neural Network.
vii

Item Type:	Thesis (Other)
Uncontrolled Keywords:	MobileNetV2, Plant Grape Disease, Convolutional Neural Network. vii
Subjek:	T Technology > T Technology (General)
Divisions:	x. Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	10 Jul 2025 08:15
Last Modified:	10 Jul 2025 08:15
URI:	http://eprints.upnyk.ac.id/id/eprint/43036

Actions (login required)

View Item