Rancang Bangun Sistem Klasifikasi Hama Pohon Mangga di Indonesia dengan Model Resnet50

Brian, Albert (2022) Rancang Bangun Sistem Klasifikasi Hama Pohon Mangga di Indonesia dengan Model Resnet50. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (389kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (208kB) | Preview
Preview	PDF BAB_I.pdf Download (270kB) | Preview
Preview	PDF BAB_II.pdf Download (1MB) | Preview
Preview	PDF BAB_III.pdf Download (415kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
Preview	PDF BAB_V.pdf Download (190kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (506kB)

Abstract

Penelitian ini didasari oleh permasalahan hama pada pohon mangga di Indonesia yang merugikan dan sulit dideteksi pada perkebunan mangga skala besar. Solusi untuk permasalahan tersebut adalah dengan membuat sistem pendeteksian hama otomatis berbasis metode deep learning dengan model ResNet50 dan penggunaan transfer learning, serta data diambil dari dataset hama pohon mangga di Indonesia yang diaugmentasi menggunakan transformasi citra dengan tujuan untuk memperluas dataset dan meningkatkan akurasi model yang digunakan. Sistem dikembangkan menggunakan pemrograman Python dan library framework TensorFlow, dan sistem berfokus pada peningkatkan akurasi klasifikasi metode atas penelitian terdahulu. Sistem berjalan dengan penggunaan tensor sebagai bentuk data, lalu diproses arsitektur ResNet50 dengan custom layer. Hasil penelitian dievaluasi menggunakan confusion matrix, precision, recall, F-1 Score dan menunjukkan peningkatan akurasi sebesar 15,5% dari penelitian terdahulu. Sistem yang dikembangkan dapat diakses via Google Colab. Dari hasil akhir yang didapatkan menunjukkan ResNet50 cocok diimplementasi untuk dataset hama pohon mangga yang digunakan.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deep Learning, Sistem Klasifikasi Hama, Python, ResNet50, TensorFlow
Subjects:	500 Science and Mathematic > 530 Physics > 537 Electricity and Electronics
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	20 Jul 2022 07:06
Last Modified:	29 May 2023 07:55
URI:	https://kc.umn.ac.id/id/eprint/22505

Actions (login required)

View Item