NAYLA HUSNA RYANDA (2026) KLASIFIKASI CITRA PENYAKIT TOMAT BERDASARKAN CITRA DAUN MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim.

Preview	Text (Bab Gabungan) File Lengkap Tanpa BAB 4 Hasil Penelitian - Nayla - NAYLA HUSNA RYANDA SISTEM INFORMASI.pdf - Published Version Download (2MB) | Preview
	Text (Bab hasil) File Hasil Penelitian BAB 4 Nayla Husna - NAYLA HUSNA RYANDA SISTEM INFORMASI.pdf - Published Version Restricted to Repository staff only Download (4MB)
Preview	Text (Surat Pernyataan) surat pernyataan serah simpan karya nayl - NAYLA HUSNA RYANDA SISTEM INFORMASI.pdf - Published Version Download (490kB) | Preview

Abstract

Penyakit daun pada tanaman tomat merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas dan kualitas hasil panen. Metode identifikasi manual yang selama ini digunakan petani sering menimbulkan kesalahan diagnosis karena keterbatasan pengetahuan dan perbedaan kondisi lingkungan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra penyakit daun tomat menggunakan pendekatan Deep Learning berbasis Convolutional Neural Network (CNN). Tiga arsitektur CNN, yaitu MobileNetV2, InceptionV3, dan DenseNet201, diuji bersama dua algoritma optimasi Adam dan RMSprop untuk memperoleh konfigurasi model paling optimal. Dataset yang digunakan merupakan Tomato Leaf Disease dari Kaggle dengan sepuluh kelas penyakit. Proses penelitian meliputi preprocessing data, augmentasi citra, serta pembagian data menggunakan metode hold-out dengan rasio 80% data latih, 10% data validasi, dan 10% data uji, kemudian pelatihan model dilakukan menggunakan parameter yang seragam pada setiap arsitektur. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score yang diperoleh melalui confusion matrix. Hasil penelitian menunjukkan bahwa dari seluruh arsitektur dan optimizer yang diuji, model DenseNet201 dengan optimizer Adam memberikan performa paling baik dengan akurasi rata-rata 94%, precision 93%, recall 94%, dan F1-score 94%, menunjukkan kemampuan generalisasi yang lebih stabil dalam mengklasifikasikan citra penyakit daun tomat. Temuan ini menegaskan bahwa pemilihan arsitektur dan algoritma optimasi yang tepat dapat meningkatkan efektivitas proses diagnosis otomatis, sehingga penelitian ini berpotensi menjadi dasar dalam pengembangan sistem deteksi dini yang akurat dan efisien untuk mendukung praktik budidaya tomat dan meminimalkan kerugian akibat penyakit daun.

Actions (login required)

View Item