Luthfiya, Syifa (2025) IMPLEMENTASI TEKNOLOGI COMPUTER VISION PADA DETEKSI PENYAKIT DAUN TOMAT MENGGUNAKAN YOLO V8 BERBASIS WEBSITE. S1 thesis, FAKULTAS TEKNIK UNIVERSITAS SULTAN AGENG TIRTAYASA.

	Text (Fulltext) Syifa Inas Luthfiya_3337210004_Fulltext.pdf Restricted to Registered users only Download (7MB) | Request a copy
	Text (BAB 1) Syifa Inas Luthfiya_3337210004_1.pdf Restricted to Registered users only Download (826kB) | Request a copy
	Text (BAB 2) Syifa Inas Luthfiya_3337210004_2.pdf Restricted to Registered users only Download (590kB) | Request a copy
	Text (BAB 3) Syifa Inas Luthfiya_3337210004_3.pdf Restricted to Registered users only Download (266kB) | Request a copy
	Text (BAB 4) Syifa Inas Luthfiya_3337210004_4.pdf Restricted to Registered users only Download (964kB) | Request a copy
	Text (BAB 5) Syifa Inas Luthfiya_3337210004_5.pdf Restricted to Registered users only Download (234kB) | Request a copy
	Text (DAFTAR REFERENSI) Syifa Inas Luthfiya_3337210004_REF.pdf Restricted to Registered users only Download (224kB) | Request a copy
	Text (LAMPIRAN) Syifa Inas Luthfiya_3337210004_LAMP.pdf Restricted to Registered users only Download (5MB) | Request a copy
	Text (CEK PLAGIASI) Syifa Inas Luthfiya_3337210004_CP.pdf Restricted to Registered users only Download (15MB) | Request a copy

Abstract

Produksi tanaman tomat nasional pada tahun 2023 menurun sebesar 2,14% (24.960 ton), sedangkan konsumsi rumah tangga terus naik hingga 10% dalam lima tahun terakhir, mencapai 697.220 ribu ton. Tantangan dalam budidaya tomat terkait erat dengan sulitnya mengidentifikasi penyakit daun secara visual, yang dapat memicu kesalahan penanganan akibat kemiripan antar jenis penyakit. Untuk mengatasi hal ini, penelitian ini mengimplementasikan teknologi computer vision dengan metode deteksi objek guna mengidentifikasi penyakit daun tomat dan mengembangkan sistem berbasis website dengan framework Flask menggunakan metode waterfall. Model dikembangkan dengan YOLO V8 dan dibandingkan untuk varian Nano, Small, dan Medium dengan dataset terdiri dari 6.006 gambar dan lima kelas penyakit (Early Blight, Healthy, Late Blight, Leaf Mold, dan Septoria Spot). Hasil pengujian menunjukkan YOLO V8s sebagai model paling andal dengan nilai recall tertinggi (0,860) dan mAP@0,50–0,95 sebesar 0,831, mendekati YOLO V8m (0,834). Dengan ukuran lebih ringan dan performa yang stabil, YOLO V8s direkomendasikan sebagai model ideal untuk sistem deteksi penyakit daun tomat secara real-time. Kata Kunci: Computer Vision, Daun Tomat, Flask , Object Detection, Waterfall, YOLO.

Actions (login required)

View Item