Hilmi, Faisal Safana (2025) KLASIFIKASI PENYAKIT PADA DAUN STROBERI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Skripsi thesis, UPN Veteran Yogyakarta.
![[thumbnail of 2_Cover_123180118_Faisal Safana Hilmi.pdf]](http://eprints.upnyk.ac.id/style/images/fileicons/text.png) |
Text
2_Cover_123180118_Faisal Safana Hilmi.pdf Download (206kB) |
|
Text
3_Abstrak_123180118_Faisal Safana Hilmi.pdf Download (228kB) |
|
Text
4_Halaman Pengesahan_123180118_Faisal Safana Hilmi.pdf Download (491kB) |
|
Text
5_Daftar Isi_123180118_Faisal Safana Hilmi.pdf Download (240kB) |
|
Text
6_Daftar Pustaka_123180118_Faisal Safana Hilmi.pdf Restricted to Repository staff only Download (188kB) |
|
Text
1_Skripsi full_123180118_Faisal Safana Hilmi.pdf Restricted to Repository staff only Download (4MB) |
Abstract
Tanaman stroberi merupakan salah satu komoditas hortikultura unggulan yang
memiliki nilai ekonomis tinggi. Namun, dalam proses budidayanya, tanaman ini rentan
terhadap serangan berbagai jenis penyakit daun seperti leaf scorch (hawar daun), leaf spot
(bercak merah), dan angular leaf spot (bercak daun bersudut). Penyakit-penyakit tersebut
tidak hanya menurunkan kualitas hasil panen tetapi juga dapat menyebabkan kerugian
kuantitatif yang signifikan. Proses identifikasi penyakit daun stroberi yang masih
dilakukan secara manual oleh petani sering kali menimbulkan keterlambatan dalam
penanganan, karena metode ini bergantung pada pengamatan visual yang tidak selalu
akurat. Oleh karena itu, diperlukan suatu pendekatan berbasis teknologi yang dapat
membantu mengidentifikasi penyakit daun secara otomatis dan efisien, salah satunya
melalui metode Convolutional Neural Network (CNN).
Penelitian ini bertujuan untuk menerapkan CNN dalam klasifikasi penyakit daun
stroberi berdasarkan citra digital, serta menguji performa model dengan berbagai
kombinasi hyperparameter dan algoritma optimasi. Dataset yang digunakan terdiri dari
2.183 gambar yang dikategorikan ke dalam empat kelas: daun sehat, leaf scorch, leaf spot,
dan angular leaf spot. Data diperoleh dari situs Kaggle dan melalui tahap preprocessing
berupa rescaling dan data augmentation untuk meningkatkan kualitas dan kuantitas
pelatihan model. Delapan kombinasi hyperparameter dan dua algoritma optimasi (Adam
dan RMSprop) diuji untuk menemukan konfigurasi terbaik.
Hasil pengujian menunjukkan bahwa kombinasi terbaik adalah penggunaan
optimizer Adam, tiga convolutional layers, max pooling sebagai pooling layer, batch size
64, dan epoch sebanyak 100. Model tersebut mampu mencapai akurasi pelatihan sebesar
96,83% dengan nilai loss sebesar 0,2521. Tingginya akurasi tersebut menunjukkan bahwa
CNN efektif dalam mendeteksi dan mengklasifikasikan penyakit daun stroberi.
Kata kunci : citra daun stroberi, klasifikasi penyakit, hyperparameter, convolutional
neural network
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Additional Information: | Faisal Safana Hilmi (Penulis-123180118) ; Frans Richard Kodong (Pembimbing 1) , Novrido Charibaldi (Pembimbing 2) |
| Uncontrolled Keywords: | citra daun stroberi, klasifikasi penyakit, hyperparameter, convolutional neural network |
| Subjek: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Fakultas Teknik Industri > (S1) Informatika |
| Depositing User: | A.Md Eko Suprapti |
| Date Deposited: | 14 Oct 2025 01:17 |
| Last Modified: | 14 Oct 2025 01:18 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/44293 |
Actions (login required)
 |
View Item |