eprintid: 53079
rev_number: 22
eprint_status: archive
userid: 17484
dir: disk0/00/05/30/79
datestamp: 2025-07-29 08:01:04
lastmod: 2025-07-29 08:01:04
status_changed: 2025-07-29 08:01:04
type: thesis
metadata_visibility: show
contact_email: syifainasluthfiya@gmail.com
creators_name: Luthfiya, Syifa
creators_id: 3337210004
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_name: Krisdianto, Nanang
contributors_name: Damyati, Fitri
contributors_id: 197504092006041004
contributors_id: 197310312005011001
corp_creators: UNIVERSITAS SULTAN AGENG TIRTAYASA
corp_creators: FAKULTAS TEKNIK
corp_creators: PROGRAM STUDI INFORMATIKA
title: IMPLEMENTASI TEKNOLOGI COMPUTER VISION PADA 
DETEKSI PENYAKIT DAUN TOMAT MENGGUNAKAN YOLO 
V8 BERBASIS WEBSITE
ispublished: pub
subjects: QA75
subjects: QA76
subjects: T1
divisions: TKI
full_text_status: restricted
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.
date: 2025-07-29
date_type: published
pages: 86
institution: FAKULTAS TEKNIK UNIVERSITAS SULTAN AGENG TIRTAYASA
department: INFORMATIKA
thesis_type: sarjana
thesis_name: sarjana
citation:   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.   
document_url: https://eprints.untirta.ac.id/53079/3/Syifa%20Inas%20Luthfiya_3337210004_Fulltext.pdf
document_url: https://eprints.untirta.ac.id/53079/1/Syifa%20Inas%20Luthfiya_3337210004_1.pdf
document_url: https://eprints.untirta.ac.id/53079/2/Syifa%20Inas%20Luthfiya_3337210004_2.pdf
document_url: https://eprints.untirta.ac.id/53079/4/Syifa%20Inas%20Luthfiya_3337210004_3.pdf
document_url: https://eprints.untirta.ac.id/53079/5/Syifa%20Inas%20Luthfiya_3337210004_4.pdf
document_url: https://eprints.untirta.ac.id/53079/6/Syifa%20Inas%20Luthfiya_3337210004_5.pdf
document_url: https://eprints.untirta.ac.id/53079/7/Syifa%20Inas%20Luthfiya_3337210004_REF.pdf
document_url: https://eprints.untirta.ac.id/53079/8/Syifa%20Inas%20Luthfiya_3337210004_LAMP.pdf
document_url: https://eprints.untirta.ac.id/53079/9/Syifa%20Inas%20Luthfiya_3337210004_CP.pdf