eprintid: 45161 rev_number: 22 eprint_status: archive userid: 9075 dir: disk0/00/04/51/61 datestamp: 2025-01-06 13:40:24 lastmod: 2025-01-06 13:40:24 status_changed: 2025-01-06 13:40:24 type: thesis metadata_visibility: show contact_email: ghoziskripsi@gmail.com creators_name: Matdoan, Ghozi Yusuf creators_id: 3332200043 contributors_type: http://www.loc.gov/loc.terms/relators/THS contributors_type: http://www.loc.gov/loc.terms/relators/OTH contributors_name: Fahrizal, Rian contributors_name: Liliandari, Annisa contributors_id: 197510262005011001 corp_creators: UNIVERSITAS SULTAN AGENG TIRTAYASA corp_creators: FAKULTAS TEKNIK corp_creators: JURUSAN TEKNIK ELEKTRO title: DETEKSI PENYAKIT PADA TANAMAN JAGUNG MELALUI CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK BERBASIS WEBSITE ispublished: pub subjects: Q1 subjects: S1 subjects: T1 divisions: Elektro full_text_status: restricted keywords: Deteksi penyakit jagung, MobileNet V2, Augmentasi gambar, Akurasi model CNN, penyesuaian hyperparameter note: Deep learning merupakan subbidang machine learning yang algoritmanya terinspirasi dari struktur otak manusia. Struktur tersebut dinamakan Artificial Neural Networks atau disingkat ANN. 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. date: 2024 date_type: published pages: 86 institution: Fakultas Teknik Universitas Sultan Ageng Tirtayasa department: Teknik Elektro thesis_type: sarjana thesis_name: sarjana official_url: https://elektro.untirta.ac.id/ referencetext: [1] H. Sinay, Y. Gysberthus, dan S. Kakisina, “Pelatihan Diversifikasi Pangan Lokal Berbahan Dasar Jagung Untuk Menunjang Pembelajaran Prakarya Bagi Guru Sma Negeri 3 Seram Barat,” PAKEM J. Pengabdi. Kpd. Masy., vol. 2, no. 2, hal. 150–159, 2022, doi: 10.30598/pakem.2.2.150-159. [2] Y. A. Chandra, “Implementasi Kebijakan Berbasis Blue Economy Dalam Kerangka Kerja Sama Pemerintah Indonesia Dengan Food And Agriculture Organization (Fao): Studi Mengenai Unit Pengolahan Ikan (UPI) Di Kabupaten Lombok Utara,” Indones. J. Glob. Discourse, vol. 3, no. 1, hal. 1–19, 2021, doi: 10.29303/ijgd.v3i1.27. [3] A. Amzeri, “Tinjauan Perkembangan Pertanian Jagung Di Madura Dan Alternatif Pengolahan Menjadi Biomaterial,” Rekayasa, vol. 11, no. 1, hal. 74, 2019, doi: 10.21107/rekayasa.v11i1.4127. [4] Y. M. Killa, “Penilaian Kesesuaian Lahan Padi dan Jagung di Kecamatan Lewa Tidahu Kabupaten Sumba Timurn Padi dan Jagung di Kecamatan Lewa Tidahu Kabupaten Sumba Timur,” Savana Cendana, vol. 5, no. 04, hal. 72–74, 2020, doi: 10.32938/sc.v5i04.999. [5] A. Rachmad, M. Syarief, S. Rifka, F. Sonata, W. Setiawan, dan E. M. S. Rochman, “Corn Leaf Disease Classification Using Local Binary Patterns (LBP) Feature Extraction,” J. Phys. Conf. Ser., vol. 2406, no. 1, 2022, doi: 10.1088/1742-6596/2406/1/012020. [6] A. B. Prakosa, Hendry, dan R. Tanone, “Implementasi Model Deep Learning Convolutional Neural Network (CNN) Pada Citra Penyakit Daun Jagung Untuk Klasifikasi Penyakit Tanaman,” J. Pendidik. Teknol. Inf., vol. 6, no. 1, hal. 107–116, 2023. [7] Y. Rizki, R. Medikawati Taufiq, H. Mukhtar, dan D. Putri, “Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN,” IT J. Res. Dev., vol. 5, no. 2, hal. 215–225, 2021, doi: 10.25299/itjrd.2021.vol5(2).5831. [8] S. Ilahiyah dan A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network _ Ilahiyah _ JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia),” JUSTINDO(Jurnal Sist. Teknol. Inf. Indones., vol. 3, no. 2, hal. 49–56, 2018. [9] M. R. Daffa Ulhaq, M. A. Zaidan, dan D. Firdaus, “Pengenalan Ekspresi Wajah Secara Real-Time Menggunakan Metode SSD Mobilenet Berbasis Android,” J. Technol. Informatics, vol. 5, no. 1, hal. 48–52, 2023, doi: 10.37802/joti.v5i1.387. [10] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L. Chen, "MobileNet V2: Inverted Residuals and Linear Bottlenecks," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4510-4520, 2018. [11] J. Zhang, "Deep convolutional neural network for Plant Disease Recognition: A Review," Computers and Electronics in Agriculture, vol. 165, pp. 104-691, 2019. [12] W. Wang et al., "A Review of MobileNet Models for Computer Vision Applications," Journal of Machine convolutional neural network and Applications, vol. 3, no. 1, pp. 15-23, 2020. [13] F. Marpaung, N. Khairina, R. Muliono, M. Muhathir, dan S. Susilawati, “Klasifikasi Daun Teh Siap Panen Menggunakan Convolutional Neural Network Arsitektur Mobilenetv2,” J. Teknoinfo, vol. 18, no. 1, hal. 215–225, 2024, [Daring]. Tersedia pada: https://ejurnal.teknokrat.ac.id/index.php/teknoinfo/article/view/3435 [14] J. Kusuma, Rubianto, R. Rosnelly, Hartono, dan B. H. Hayadi, “Klasifikasi Penyakit Daun Pada Tanaman Jagung Menggunakan Algoritma Support Vector Machine, K-Nearest Neighbors dan Multilayer Perceptron,” J. Appl. Comput. Sci. Technol., vol. 4, no. 1, hal. 1–6, 2023, doi: 10.52158/jacost.v4i1.484. [15] B. Widianto, E. Utami and D. Ariatmanto, "Identifikasi Penyakit Tanaman Jagung Berdasarkan Citra Daun Menggunakan Convolutional neural network," Jurnal Techno, vol. 22, no. 3, pp. 599-608, 2023. [16] A. T. Rizky et al., “Deteksi Penyakit Pada Tanaman Jagung Berbasis Pengolahan Citra Digital Dengan Metode Convolutional Neural Network,” Proceeding Eng., vol. 10, no. 5, hal. 4166–4169, 2023. [17] Reymas M.R. Ruimassa, Rosdiana Sari, dan Eko Agus Martanto, “Interaksi Faktor Iklim dan Varietas terhadap Laju Perkembangan Penyakit Karat Daun (Puccinia polysora Undrew) pada Jagung (Zea mays L.),” J. Trit., vol. 14, no. 1, hal. 141–152, 2023, doi: 10.47687/jt.v14i1.371. [18] M. H. Lubis dan N. Purnomo, “Identifikasi Penyakit Tanaman Jagung Dengan Metode Certainty Factor,” vol. 4307, no. August, hal. 902–909, 2024, [Daring]. Tersedia pada: https://jurnal.goretanpena.com/index.php/JSSR/article/view/2080/1248# [19] N. Tuszahrohmi, U. Romadi, dan I. Kurniasari, “Efektivitas Paenibacillus polymyxa dan Pseudomonas fluorescens dalam Pengendalian Penyakit Haur daun (Helminthosporium turcicum) pada Tanaman Jagung (Zea mays L.),” Agrovigor J. Agroekoteknologi, vol. 12, no. 2, hal. 77–81, 2019, doi: 10.21107/agrovigor.v12i2.5578. [20] S. Debnath, S. Chhetri, dan S. Biswas, “Southern Rust Disease of Corn – A Review,” Int. J. Curr. Microbiol. Appl. Sci., vol. 8, no. 11, hal. 855–862, 2019, doi: 10.20546/ijcmas.2019.811.101. [21] H. Mirsam, S. Suriani, A. T. Makkulawu, N. Djaenuddin, dan F. Abdullah, “Evaluation of Resistance of Hybrid Corn Genotypes against Leaf Blight and Leaf Rust Diseases,” J. Nas. Lahan Suboptimal, vol. 9, no. 2, hal. 305–313, 2021. [22] D. Karlina, S. Soedijo, dan H. O. Rosa, “Biologi Ulat Grayak (Spodoptera frugiperda J. E Smith),” J. Prot. Tanam. Trop., vol. 5, no. 3, hal. 524–533, 2022, doi: 10.20527/jptt.v5i3.1493 [23] B. Kartini, NITROGEN JANGKA PANJANG TERHADAP KANDUNGAN ASAM HUMAT DAN ASAM FULVAT PADA LAHAN PERTANAMAN JAGUNG ( Zea mays L .) TAHUN KE-34 DI POLITEKNIK NEGERI LAMPUNG ( Skripsi ) Oleh Bunga Kartini HUMAT DAN ASAM FULVAT PADA LAHAN PERTANAMAN JAGUNG ( Zea mays L .) T. 2023. [24] M. Ronaldo dan D. Pasha, “Sistem Informasi Pengelolaan Data Santri Pondok Pesantren an-Ahl Berbasis Website,” Telefortech, vol. 2, no. 1, hal. 17–20, 2021. [25] I. Sulistyowati dan Jamaaluddin, Buku Ajar Mata Kuliah Kecerdasan Buatan (Artificial Intelligence). 2021. [Daring]. Tersedia pada: https://press.umsida.ac.id/index.php/umsidapress/article/view/978-623-6292-25-9 [26] A. Fathurohman, “Machine Learning Untuk Pendidikan: Mengapa Dan Bagaimana,” J. Inform. dan Teknol. Komput., vol. 1, no. 3, hal. 57–62, 2021, [Daring]. Tersedia pada: https://journal.amikveteran.ac.id/index.php/jitek/article/view/306 [27] N. Giarsyani, “Komparasi Algoritma Machine Learning dan Deep Learning untuk Named Entity Recognition : Studi Kasus Data Kebencanaan,” Indones. J. Appl. Informatics, vol. 4, no. 2, hal. 138, 2020, doi: 10.20961/ijai.v4i2.41317. [28] M. R. S. Alfarizi, M. Z. Al-farish, M. Taufiqurrahman, G. Ardiansah, dan M. Elgar, “Penggunaan Python Sebagai Bahasa Pemrograman untuk Machine Learning dan Deep Learning,” Karya Ilm. Mhs. Bertauhid (KARIMAH TAUHID), vol. 2, no. 1, hal. 1–6, 2023. [29] Y. Kasnanda Bintang, H. Imaduddin, Y. Kasnanda, dan B. Corresponding Author, “Pengembangan Model Deep Learning Untuk Deteksi Retinopati Diabetik Menggunakan Metode Transfer Learning,” vol. 9, no. 3, hal. 1442–1455, 2024, [Daring]. Tersedia pada: https://doi.org/10.29100/jipi.v9i3.5588 [30] P, Adi. “Memahami Deep convolutional neural network: Revolusi Teknologi yang Membentuk Masa Depan”. https://pemrogramanmatlab.com/2023/07/22/memahami-deep-convolutional neural network-revolusi-teknologi-yang-membentuk-masa-depan/ [URL dikunjungi pada 13 Juli 2024]. [31] E. S. Eriana dan D. A. Zein, “Artificial Intelligence,” Angew. Chemie Int. Ed., vol. 6(11), hal. 1, 2023. [32] B. Fish, “DEEP LEARNING UNTUK DETEKSI WAJAH YANG BERHIJAB MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN TENSORFLOW,” vol. 2507, no. February, hal. 1–9, 2020. [33] Anonim. “Concolutional Neural Network”. https://www.superannotate.com/blog/guide-to-convolutional-neural-networks [URL dikunjungi pada 20 Agustus 2024]. [34] N. Dewi dan F. Ismawan, “Implementasi Deep Learning Menggunakan Cnn Untuk Sistem Pengenalan Wajah,” Fakt. Exacta, vol. 14, no. 1, hal. 34, 2021, doi: 10.30998/faktorexacta.v14i1.8989. [35] Sunario Megawan dan Wulan Sri Lestari, “Deteksi Spoofing Wajah Menggunakan Faster R-CNN dengan Arsitektur Resnet50 pada Video,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 3, hal. 261–267, 2020, doi: 10.22146/.v9i3.231. [36] A. Perdananto, “Penerapan deep learning pada Aplikasi prediksi penyakit Pneumonia berbasis Convolutional Neural networks,” J. Informatics Commun. Technol., vol. 1, no. 2, hal. 1–10, 2019, doi: 10.52661/j_ict.v1i2.34. [37] M. F. Wijayanto, D. Swanjaya, dan R. Wulanningrum, “Penerapan MobileNet Architecture pada Identifikasi Foto Citra Makanan Indonesia,” Digit. Transform. Technol., vol. 4, no. 1, hal. 652–662, 2024, doi: 10.47709/digitech.v4i1.4449. [38] A. R. Fahcruroji, Madona Yunita Wijaya, dan Irma Fauziah, “Implementasi Algoritma Cnn Mobilenet Untuk Klasifikasi Gambar Sampah Di Bank Sampah,” PROSISKO J. Pengemb. Ris. dan Obs. Sist. Komput., vol. 11, no. 1, hal. 45–51, 2024, doi: 10.30656/prosisko.v11i1.8101. [39] P. N. Dacipta dan R. E. Putra, “Sistem Klasifikasi Limbah Menggunakan Metode Convolutional Neural Network (CNN) Pada Webservice Berbasis Framework Flask,” J. Informatics Comput. Sci., vol. 3, no. 04, hal. 394–402, 2022, doi: 10.26740/jinacs.v3n04.p394-402. [40] M. Rijal, A. M. Yani, dan A. Rahman, “Deteksi Citra Daun untuk Klasifikasi Penyakit Padi menggunakan Pendekatan Deep Learning dengan Model CNN,” J. Teknol. Terpadu, vol. 10, no. 1, hal. 56–62, 2024, doi: 10.54914/jtt.v10i1.1224. [41] A. M. Lesmana, R. P. Fadhillah, dan C. Rozikin, “Identifikasi Penyakit pada Citra Daun Kentang Menggunakan Convolutional Neural Network (CNN),” J. Sains dan Inform., vol. 8, no. 1, hal. 21–30, 2022, doi: 10.34128/jsi.v8i1.377. projects: Studi Independen citation: 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. document_url: https://eprints.untirta.ac.id/45161/1/Ghozi%20Yusuf%20Matdoan_3332200043_Fulltext.pdf document_url: https://eprints.untirta.ac.id/45161/2/Ghozi%20Yusuf%20Matdoan_3332200043_01.pdf document_url: https://eprints.untirta.ac.id/45161/3/Ghozi%20Yusuf%20Matdoan_3332200043_02.pdf document_url: https://eprints.untirta.ac.id/45161/4/Ghozi%20Yusuf%20Matdoan_3332200043_03.pdf document_url: https://eprints.untirta.ac.id/45161/5/Ghozi%20Yusuf%20Matdoan_3332200043_04.pdf document_url: https://eprints.untirta.ac.id/45161/6/Ghozi%20Yusuf%20Matdoan_3332200043_05.pdf document_url: https://eprints.untirta.ac.id/45161/7/Ghozi%20Yusuf%20Matdoan_3332200043_Ref.pdf document_url: https://eprints.untirta.ac.id/45161/8/Ghozi%20Yusuf%20Matdoan_3332200043_Lamp.pdf document_url: https://eprints.untirta.ac.id/45161/9/Ghozi%20Yusuf%20Matdoan_3332200043_CP.pdf