PENERAPAN DEEP LEARNING DENGAN METODE CNN DALAM MENGIDENTIFIKASI PENYAKIT DAUN JAGUNG (STUDI KASUS DI KABUPATEN BENGKULU SELATAN)

Sandy, Lengga Satrya (2025) PENERAPAN DEEP LEARNING DENGAN METODE CNN DALAM MENGIDENTIFIKASI PENYAKIT DAUN JAGUNG (STUDI KASUS DI KABUPATEN BENGKULU SELATAN). Masters thesis, Universitas Putra Indonesia YPTK.

Preview	Text TESIS_231321016_LENGGA SATRYA SANDY_ABSTRAK.pdf Download (237kB) | Preview
Preview	Text TESIS_231321016_LENGGA SATRYA SANDY_BAB I.pdf Download (285kB) | Preview
Preview	Text TESIS_231321016_LENGGA SATRYA SANDY_DAFTAR PUSTAKA.pdf Download (254kB) | Preview
	Text TESIS_231321016_LENGGA SATRYA SANDY_FULL TEXT.pdf Restricted to Repository staff only Download (1MB)

Abstract

Penyakit pada tanaman jagung merupakan salah satu faktor utama yang berkontribusi terhadap penurunan hasil panen, yang pada akhirnya dapat berdampak pada ketahanan pangan dan keberlanjutan sektor pertanian. Kemajuan teknologi telah memungkinkan pengolahan citra digital (Image Processing) menjadi metode yang banyak diterapkan dalam berbagai bidang, termasuk identifikasi objek, deteksi pola, dan klasifikasi penyakit tanaman dengan dukungan kecerdasan buatan (Artificial Intelligence/AI). Penelitian ini memanfaatkan citra daun jagung sebagai dataset yang kemudian diproses menggunakan metode Convolutional Neural Network (CNN) berbasis arsitektur ResNet-50, Arsitektur ini dikenal memiliki kemampuan unggul dalam mengekstraksi fitur visual secara mendalam, sehingga mampu meningkatkan akurasi klasifikasi. Model CNN bekerja dengan mengidentifikasi serta menganalisis fitur-fitur penting pada citra, seperti warna, tekstur, serta pola kerusakan yang muncul pada daun jagung, untuk mendeteksi jenis penyakit yang menyerang tanaman. Metodologi yang diterapkan dalam penelitian ini mencakup beberapa tahapan penting, mulai dari pengumpulan dataset citra daun jagung langsung dari lahan pertanian, pra�pemrosesan data guna meningkatkan kualitas gambar agar lebih optimal dalam proses pelatihan model, hingga pelatihan dan evaluasi performa model CNN. Dataset awal 1.199 setelah itu dilakukan tahap analisis gambar didapatkan data untuk di processing sebanyak 870 data, selanjutnya data dibagi 552 untuk Training, 87 test dan 261 untuk validasi set. Dari hasil uji model CNN dengan jumlah data test 87 data Precision tertinggi diperoleh pada kelas Penyakit Karat Daun (100%), Sementara itu, recall tertinggi terdapat pada kelas Daun Normal (99%), yang berarti model mampu mengenali semua sampel daun normal dengan benar. Namun, recall pada kelas Penyakit Ulat Grayak sebesar (89%). Model ini mampu mengidentifikasi pola kerusakan secara akurat, sehingga berpotensi diterapkan dalam sistem deteksi dini penyakit tanaman secara otomatis. Dengan demikian, penelitian ini dapat menjadi dasar bagi pengembangan lebih lanjut dalam penerapan kecerdasan buatan untuk meningkatkan efisiensi dan ketepatan dalam diagnosis penyakit tanaman, yang pada akhirnya dapat mendukung produktivitas pertanian dan ketahanan pangan secara berkelanjutan

Actions (login required)

View Item