IDENTIFIKASI PENYAKIT TANAMAN TOMAT MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DAN PENDEKATAN TRANSFER LEARNING


Maulana Muhammad Fathul Alim, 5302416053 (2020) IDENTIFIKASI PENYAKIT TANAMAN TOMAT MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DAN PENDEKATAN TRANSFER LEARNING. Under Graduates thesis, Universitas Negeri Semarang.

[thumbnail of IDENTIFIKASI PENYAKIT TANAMAN TOMAT MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DAN PENDEKATAN TRANSFER LEARNING]
Preview
PDF (IDENTIFIKASI PENYAKIT TANAMAN TOMAT MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DAN PENDEKATAN TRANSFER LEARNING) - Submitted Version
Download (761kB) | Preview
Official URL: https://lib.unnes.ac.id/

Abstract

Maulana Muhammad Fathul Alim, 2020, Identifikasi Penyakit Tanaman Tomat Menggunakan Algoritma Convolutional Neural Network dan Pendekatan Transfer Learning, Dr. Subiyanto, S.T.,M.T., Pendidikan Teknik Informatika dan Komputer. Penyakit tanaman menjadi ancaman yang menghambat produksi tomat global. Pengendalian penyakit tanaman tomat dengan sistem pengenalan otomatis sangat diperlukan untuk mencegah kegagalan panen. Terinspirasi oleh keberhasilan deep learning dalam melakukan identifikasi berdasarkan citra digital, penerapan deep learning juga akan memberikan dampak yang signifikan dalam mengidentifikasi penyakit tanaman tomat. Penelitian ini mengadopsi algoritma Convolutional Neural Network (CNN) untuk melakukan identifikasi penyakit tanaman tomat berdasarkan citra digital. Beberapa model CNN seperti VVG, ResNet, dan DenseNet dikomparasikan performanya dalam melakukan identifikasi penyakit tanaman tomat secara otomatis. Eksperimen dilakukan dengan menggunakan dataset PlantVillage yang terdiri dari 22.930 gambar daun tomat yang terbagi menjadi 10 kelas. . Metode yang diusulkan mengeksplorasi fitur pada citra dengan memecahnya menjadi beberapa bagian kecil dan bertumpuk kemudian menyatukannya kembali untuk diolah dengan fungsi aktivasi. Evaluasi performa dilakukan dengan menghitug accuracy, precision, recall, f1-score, dan AUC menggunakan metode confusion matrix. Model CNN terbaik dari komparasi adalah ResNet-50 dengan 96% accuracy, 97% precision, 96% recall, 97% f1-score, dan 97,9% AUC. ResNet-50 mampu melakukan prediksi benar sebanyak 4402 terhadap 4585 data uji Hasil eksperimen menunjukkan bahwa model CNN dapat menjadi alat yang berguna dalam mengidentifikasi dan mengklasifikasikan penyakit tanaman tomat. Kata kunci: Penyakit tanaman tomat, Convolutional Neural Network, Transfer Learning

Item Type: Thesis (Under Graduates)
Uncontrolled Keywords: Kata kunci: Penyakit tanaman tomat, Convolutional Neural Network, Transfer Learning
Subjects: L Education > Special Education > Education technology
T Technology > Information and Computer
T Technology > Computer Engineering
Fakultas: Fakultas Teknik > Pendidikan Teknik Informatika dan Komputer, S1
Depositing User: S.S Eko Handoyo
Date Deposited: 12 Jan 2021 09:07
Last Modified: 12 Jan 2021 09:07
URI: http://lib.unnes.ac.id/id/eprint/42927

Actions (login required)

View Item View Item