IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT PADA TANAMAN KOPI ARABIKA MELALUI CITRA DAUN BERBASIS ANDROID

ILHAM SAPUTRA, ANDRE (2023) IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT PADA TANAMAN KOPI ARABIKA MELALUI CITRA DAUN BERBASIS ANDROID. S1 thesis, UNIVERSITAS JAMBI.

	Text (IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT PADA TANAMAN KOPI ARABIKA MELALUI CITRA DAUN BERBASIS ANDROID) b_F1E119122_Cover.pdf - Published Version Download (50kB)
	Text (IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT PADA TANAMAN KOPI ARABIKA MELALUI CITRA DAUN BERBASIS ANDROID) a_F1E119122_Skripsi Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB)
	Text (IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT PADA TANAMAN KOPI ARABIKA MELALUI CITRA DAUN BERBASIS ANDROID) c_F1E119122_Halaman Persetujuan & Pengesahan.pdf - Published Version Download (607kB)
	Text (IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT PADA TANAMAN KOPI ARABIKA MELALUI CITRA DAUN BERBASIS ANDROID) d_F1E119122_Abstrak.pdf - Published Version Download (334kB)
	Text (IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT PADA TANAMAN KOPI ARABIKA MELALUI CITRA DAUN BERBASIS ANDROID) e_F1E119122_BAB I.pdf - Published Version Download (1MB)
	Text (IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT PADA TANAMAN KOPI ARABIKA MELALUI CITRA DAUN BERBASIS ANDROID) f_F1E119122_BAB V Kesimpulan.pdf - Published Version Download (420kB)
	Text (IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT PADA TANAMAN KOPI ARABIKA MELALUI CITRA DAUN BERBASIS ANDROID) g_F1E119122_Daftar Pustaka.pdf - Published Version Download (826kB)

Abstract

Tanaman kopi merupakan tanaman yang rentan terserang penyakit, proses identifikasi dan penanganan yang terlambat dapat membuat penyakit menjadi meluas dan mengakibatkan kerugian bagi petani kopi. Deteksi penyakit pada tanaman memegang peranan penting dalam bidang pertanian karena mempengaruhi produktivitas tanaman. Proses deteksi yang cepat, tepat, dan mudah sangat diperlukan bagi petani untuk mendiagnosis dan menentukan penanganan yang tepat untuk setiap penyakit. Tujuan penelitian ini yaitu untuk mengimplementasikan metode Convolutional Neural Network dalam mengidentifikasi jenis penyakit pada tanaman kopi dengan genus coffea arabika atau kopi arabika. Algoritma Convolutional Neural Network (CNN) merupakan metode yang digunakan dalam penelitian ini karena kehandalannya dalam memproses data citra dan kemampuannya dalam mempelajari pola yang rumit pada data citra. Penelitian ini dilakukan untuk menemukan arsitektur model CNN dengan akurasi model terbaik dalam mengidentifikasi penyakit pada tanaman kopi arabika. Dataset penelitian berupa citra daun kopi arabika dengan tiga kelas yaitu bercak daun, karat daun, dan daun sehat yang diperoleh dari pengumpulan langsung di perkebunan kopi arabika PT Perkebunan Nusantara VI yang berlokasi di Kayu Aro, Kabupaten Kerinci, Provinsi Jambi dan situs data.mendeley.com. Data citra dilakukan resizing, augmentasi, balancing data dan split data dengan skenario 80:20 sehingga menghasilkan 2829 citra daun yang terdiri dari 2265 data training dan 564 data validation. pengujian hyperparameter dilakukan pada penelitian ini untuk mendapatkan akurasi model yang optimal dengan metode trial and error. Hasil penelitian ini menunjukkan bahwa penambahan jumlah epoch dan nilai batch size dapat mempengaruhi akurasi dari model CNN. Dari pengujian hyperparameter Didapatkan akurasi terbaik dengan epoch berjumlah 50, batch size 32 dengan menggunakan optimizer Adam yang menhasilkan nilai akurasi sebesar 94% pada data validasi saat proses training.

Type:	Thesis (S1)
Subjects:	L Education > L Education (General)
Divisions:	Fakultas Sains dan Teknologi > Sistem Informasi
Depositing User:	SAPUTRA
Date Deposited:	05 Jun 2023 01:33
Last Modified:	05 Jun 2023 01:33
URI:	https://repository.unja.ac.id/id/eprint/49321

Actions (login required)

View Item