Matdoan, Ghozi Yusuf (2024) DETEKSI PENYAKIT PADA TANAMAN JAGUNG MELALUI CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK BERBASIS WEBSITE. S1 thesis, Fakultas Teknik Universitas Sultan Ageng Tirtayasa.
![[img]](https://eprints.untirta.ac.id/style/images/fileicons/text.png) |
Text (Full Text)
Ghozi Yusuf Matdoan_3332200043_Fulltext.pdf Restricted to Registered users only Download (6MB) | Request a copy |
|
Text (01)
Ghozi Yusuf Matdoan_3332200043_01.pdf Restricted to Registered users only Download (2MB) | Request a copy |
|
Text (02)
Ghozi Yusuf Matdoan_3332200043_02.pdf Restricted to Registered users only Download (853kB) | Request a copy |
|
Text (03)
Ghozi Yusuf Matdoan_3332200043_03.pdf Restricted to Registered users only Download (778kB) | Request a copy |
|
Text (04)
Ghozi Yusuf Matdoan_3332200043_04.pdf Restricted to Registered users only Download (747kB) | Request a copy |
|
Text (05)
Ghozi Yusuf Matdoan_3332200043_05.pdf Restricted to Registered users only Download (214kB) | Request a copy |
|
Text (Referensi)
Ghozi Yusuf Matdoan_3332200043_Ref.pdf Restricted to Registered users only Download (243kB) | Request a copy |
|
Text (Lampiran)
Ghozi Yusuf Matdoan_3332200043_Lamp.pdf Restricted to Registered users only Download (3MB) | Request a copy |
|
Text (Cek Plagiarisme)
Ghozi Yusuf Matdoan_3332200043_CP.pdf Restricted to Registered users only Download (10MB) | Request a copy |
Abstract
Deteksi penyakit tanaman jagung sangat penting dalam peningkatan hasil produksi jagung. Pengembangan dan pemanfaatan sistem kecerdasan buatan untuk mendeteksi penyakit jagung dapat dilakukan menggunakan metode convolutional neural network dengan arsitektur MobileNet V2. Dialam proses pembuatan model pelatihan peneliti menerapkan berbagai transformasi gambar seperti rotasi, pergeseran, mengaburkan, peningkatan kecerahan, flipping, dan shear image , serta menggunakan 64 neuron dengan aktivasi ReLU, layer dropout 0.2, dan 25 epoch. Hasil pelatihan model ini menunjukkan akurasi yang baik secara keseluruhan. F1-score untuk masing-masing kelas pada data uji adalah blight 0.9760, common rush 1.0, gray leaf spot 0.50, dan healthy 0.944. Akurasi rendah pada kelas gray leaf spot disebabkan oleh overfitting. Penelitian ini menyarankan pengembangan lebih lanjut melalui oversampling dataset dan penyesuaian hyperparameter untuk meningkatkan akurasi model.
| Item Type: | Thesis (S1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
|||||||||
| Additional Information: | Deep learning merupakan subbidang machine learning yang algoritmanya terinspirasi dari struktur otak manusia. Struktur tersebut dinamakan Artificial Neural Networks atau disingkat ANN. | |||||||||
| Uncontrolled Keywords: | Deteksi penyakit jagung, MobileNet V2, Augmentasi gambar, Akurasi model CNN, penyesuaian hyperparameter | |||||||||
| Subjects: | Q Science > Q Science (General) S Agriculture > S Agriculture (General) T Technology > T Technology (General) |
|||||||||
| Divisions: | 03-Fakultas Teknik > 20201-Jurusan Teknik Elektro | |||||||||
| Depositing User: | mr Ghozi Yusuf Matdoan | |||||||||
| Date Deposited: | 06 Jan 2025 13:40 | |||||||||
| Last Modified: | 06 Jan 2025 13:40 | |||||||||
| URI: | http://eprints.untirta.ac.id/id/eprint/45161 |
Actions (login required)
 |
View Item |