RAJABIAH, Zahrah Hasanah Nur (2024) Pengembangan Aplikasi Pengolahan Citra Berbasis Web Untuk Deteksi Penyakit Pada Daun Tanaman Tomat. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Download (7MB)
	PDF (Legalitas) LEGALITAS-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Restricted to Repository staff only Download (7MB)
	PDF (Abstrak) ABSTRAK-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Download (7MB)
	PDF (BabI) BAB-I-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Restricted to Repository staff only until 26 February 2025. Download (7MB)
	PDF (BabII) BAB-II-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Restricted to Repository staff only until 26 February 2025. Download (7MB)
	PDF (BabIII) BAB-III-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Restricted to Repository staff only until 26 February 2025. Download (7MB)
	PDF (BabIV) BAB-IV-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Restricted to Repository staff only Download (7MB)
	PDF (BabV) BAB-V-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Download (7MB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Download (7MB)
	PDF (Lampiran) LAMPIRAN-Zahrah Hasanah Nur Rajabiah-A1C018033-Skripsi-2024.pdf Restricted to Repository staff only Download (7MB)

Abstract

Tanaman tomat merupakan salah satu komoditas penting dalam hortikultura sayuran. Tanaman tomat rentan terhadap berbagai penyakit, termasuk penyakit busuk daun dan bercak daun yang sulit dibedakan secara visual. Solusi untuk mengatasi masalah ini, pemanfaatan pengolahan citra digital, khususnya visi komputer, akan digunakan untuk mengidentifikasi penyakit tanaman secara akurat. Berbagai algoritma klasifikasi dan ekstraksi fitur diterapkan untuk mendeteksi penyakit pada daun tomat. Penelitian ini menggunakan algoritma Inception V3 yang diharapkan dapat memberikan tingkat akurasi yang tinggi. Perkembangan teknologi ini dapat sangat membantu dalam identifikasi dan pengendalian penyakit pada tanaman tomat. Penelitian ini bertujuan untuk mengembangkan program yang dapat mendeteksi penyakit pada daun tomat dengan menggunakan metode Inception V3 dan menghitung akurasi yang tepat untuk mengukur seberapa baik model dalam memprediksi penyakit. Pada penelitian ini, data yang digunakan yaitu dataset yang diambil dari repositori Kaggle dengan nama “Tomato Leaf Diseases” sebagai acuan untuk melatih model. Dataset tersebut berisi 16.484 citra daun tomat yang dibagi menjadi 8 kategori penyakit dan 1 kategori sehat. Kemudian untuk data uji menggunakan 40 citra daun tomat yang diambil langsung dari 4 tempat yang berbeda. Dataset "Tomato Leaf Diseases" dibagi menjadi data pelatihan dan pengujian, yang kemudian ditingkatkan melalui augmentasi data. Tahap berikutnya adalah modeling menggunakan model Inception V3, diikuti oleh pelatihan dan evaluasi model. Selanjutnya, aplikasi pengolahan citra dibangun menggunakan platform Streamlit, dan model yang telah dilatih di-deploy untuk mendeteksi penyakit pada daun tomat. Model yang telah dilatih akan digunakan untuk menganalisis gambar yang diunggah, dan hasil prediksi akan dievaluasi untuk menentukan kinerja aplikasi. Proses ini melibatkan ekstraksi fitur dari gambar dan penggunaan model untuk prediksi, serta perbandingan hasil prediksi dengan data sebenarnya untuk mengevaluasi kinerja aplikasi. Hasil penelitian menunjukkan bahwa identifikasi penyakit pada daun tomat menggunakan Inception V3 dengan nilai batch sebesar 32 dan epoch sebesar 20 mencapai akurasi sebesar 87,26% dengan loss sebesar 0,3646. Hasil ini menunjukkan bahwa model tersebut telah berhasil belajar dan dapat mengenali serta mengklasifikasikan penyakit pada daun tomat dengan baik. Namun, berdasarkan hasil pengujian menggunakan 40 citra daun tomat yang belum pernah terlihat sebelumnya, sistem mengalami kesulitan dalam mengenali penyakit pada daun tomat. Meskipun model memiliki tingkat akurasi yang baik untuk data pelatihan, akurasi yang rendah pada data uji yang sebenarnya, yaitu sebesar 15%, menunjukkan bahwa model cenderung terlalu menghafal data pelatihan sehingga menyebabkan kinerjanya menurun ketika dihadapkan dengan citra-citra yang belum pernah dilihat sebelumnya.

Actions (login required)

View Item