L2P UNIVERSITAS MUHAMMADIYAH PONOROGO
Universitas Muhammadiyah Ponorogo
Temukan setiap halaman yang menunggu untuk dibaca, setiap pengetahuan yang siap mengubah dunia.
PERANCANGAN SISTEM DETEKSI PENYAKIT DAUN KENTANG DENGAN CONVOLUTIONAL NEURAL NETWORK DAN ARSITEKTUR VGG16
AGAM TIGAR GUMELANG (18532917) - Nama Orang;
Skripsi · 2025
Sektor pertanian yang memiliki potensi besar adalah hortikultura, salah satunya melalui budidaya tanaman kentang. Tanaman ini kaya akan karbohidrat, vitamin, dan mineral. Budidaya kentang tidak lepas dari gangguan penyakit yang menyerang daun kentang. Penyakit bulai (Early Blight) disebabkan oleh jamur Alternaria solani, Penyakit Bercak Daun (Leaf Spot Disease) disebabkan oleh beberapa jenis jamur seperti Phoma exigua dan Septoria, serta Penyakit Kuning Daun (Yellowing or Leaf Chlorosis). Penyakit kuning pada daun kentang dapat disebabkan oleh beberapa faktor, termasuk infeksi virus, kekurangan unsur hara, atau infeksi bakteri. Penyakit daun kentang dapat menyebabkan dampak serius bagi petani, terutama dalam hal produktivitas maupun kualitas hasil panen.
Kondisi kesulitan dalam identifikasi dan penanganan penyakit daun kentang memiliki gejala serupa, seperti bercak-bercak pada daun atau perubahan warna daun. Solusi dalam mengatasi kendala tersebut dengan menggunakan metode Convolutional Neural Networks (CNN) untuk mendeteksi citra penyakit daun kentang. Penambahan VGG16 yang merupakan salah satu model CNN yang sangat populer dalam bidang pengenalan citra. Arsitektur VGG16 dikenal karena kesederhanaannya untuk meningkatkan akurasi model ini sering digunakan dalam tugas klasifikasi citra, termasuk dalam deteksi penyakit pada tanaman seperti daun kentang.
Pengamatan klasifikasi dibuat menggunakan dataset yang telah dilabeli sesuai dengan masing-masing parameter. Tahapan ini memanfaatkan data sekunder Kaggle PlantVillage. Tahapan utama dalam proses ini meliputi Convolution, Pooling Layer, Fully Connected Layer, proses resize ukuran citra dimampatkan dengan mengurangi basis matriks, menghasilkan bentuk compile model yang akan ditampilkan pada interface berbasis web. Loss saat dataset training dikondisikan 0,86, loss pada data valid 1,27. Di awal proses pelatihan, tingkat akurasi model masih tergolong rendah, yakni 57,48%. Namun, seiring penambahan jumlah iterasi, keakuratan pada data latihan meningkat dengan signifikan, dapat tercapai 96,06% pada iterasi ke-20. Kecenderungan pengurangan loss modeling sepanjang training dan validasi menghasilkan nilai 0,0405 menjadi stabil.
About this edition
Edisi: -
ISBN/ISSN: -
Page count: xvi, 39 p, 30 cm.
Published: 2025
Format: text
Penerbit: FT UMPO
Bahasa: Indonesia
Tipe Isi: text
Tipe Media: -
Tipe Pembawa: -
Ketersediaan
#
Prodi Teknik Informatika (Rak Koleksi Khusus)
24 GUM p FT-2025
KK1088FT
Tersedia namun tidak untuk dipinjamkan - No Loan
Versi lain/terkait
Tidak tersedia versi lain
