Identifikasi penyakit pada tanaman selada menggunakan Algoritma Convolutional Neural Network (CNN)

Fauzan, Harry Akbar (2023) Identifikasi penyakit pada tanaman selada menggunakan Algoritma Convolutional Neural Network (CNN). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (30kB) | Preview
Preview	Text 2_abstrak.pdf Download (85kB) | Preview
Preview	Text 3_daftarisi.pdf Download (93kB) | Preview
Preview	Text 4_bab1.pdf Download (75kB) | Preview
Preview	Text 5_bab2.pdf Download (554kB) | Preview
Preview	Text 6_bab3.pdf Download (311kB) | Preview
Preview	Text 7_bab4.pdf Download (2MB) | Preview
Preview	Text 8_bab5.pdf Download (25kB) | Preview
Preview	Text 9_daftarpustaka.pdf Download (173kB) | Preview

Abstract

Serangan penyakit menjadi ancaman yang dapat menghambat produksi para petani dan menyebabkan kerugian pasca panen yang signifikan. Pada tahun 2021-2022, Indonesia mengalami penurunan hasil pertanian holtikultura sebesar 2.566.284 ton, salah satunya disebabkan oleh serangan penyakit. Penanganan penyakit tergantung dari jenis penyakit yang diderita. Sehingga diperlukan sebuah model untuk mengidentifikasi penyakit pada tanaman selada agar dapat memudahkan dalam mengidentifikasi penyakit pada selada. Model dibangun menggunakan algoritma Convolutional Neural Network (CNN) dengan Arsitektur DenseNet201. Metode pengembangan yang digunakan adalah CRISP-DM. Jenis penyakit pada tanaman selada dibagi menjadi tiga kelas, yaitu hawar daun, busuk daun, dan sehat, dengan pembagian data 400, 500, dan 500. Data kemudian dibagi menjadi dua bagian, yaitu data latih (train) dan data validasi (validation) dengan perbandingan 7:3. Agar jumlah data dapat diperbanyak, dilakukan augmentasi gambar pada data latih. Model dilatih sebanyak 18 kali dengan konfigurasi optimizer, learning rate, dan epoch yang berbeda. Optimizer yang digunakan adalah Adam, RMSprop, dan SGD. Kemudian learning rate yang digunakan adalah 0,001, 0,01, dan 0,0001. Epoch yang digunakan 5 dan 10. Hasil training terbaik diperoleh model dengan konfigurasi optimizer Adam, learning rate 0,001, dan epoch 10, dengan akurasi sebesar 94,39% dan akurasi validasi sebesar 93,34%. Dengan nilai akurasi 94% menunjukan bahwa algoritma CNN arsitektur DenseNet201 mampu mengidentifikasi penyakit pada tanaman selada dengan akurasi yang baik.

Actions (login required)

View Item