Deteksi Penyakit Powdery Mildew pada Daun Labu melalui Penerapan Algoritma Convolutional Neural Network

Alvis, Wilson (2025) Deteksi Penyakit Powdery Mildew pada Daun Labu melalui Penerapan Algoritma Convolutional Neural Network. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (218kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Download (938kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Download (205kB)
	PDF DAFTAR_PUSTAKA.pdf Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (259kB)

Abstract

Penyakit Powdery Mildew merupakan salah satu ancaman utama bagi produktivitas tanaman labu di Indonesia. Penelitian ini bertujuan untuk mendeteksi penyakit tersebut secara dini dari citra daun menggunakan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 2.000 citra daun labu yang terbagi dalam lima kelas, yang kemudian diklasifikasikan secara biner: Powdery Mildew dan Not Powdery Mildew. Dua model dikembangkan, yaitu CNN buatan dan model berbasis VGG16 dengan fine-tuning. Eksperimen dilakukan pada tiga skema pembagian data: 72:18:10, 80:10:10, dan 70:15:15. Hasil menunjukkan bahwa model VGG16 secara konsisten unggul, dengan akurasi tertinggi 95,75% dan recall kelas Powdery Mildew mencapai 0,89. Sebaliknya, CNN buatan memiliki akurasi tertinggi 94,75% namun menunjukkan penurunan recall pada kelas minoritas. Temuan ini menegaskan pentingnya mempertimbangkan recall dalam konteks deteksi dini penyakit tanaman. Model VGG16 terbukti lebih andal dalam mengidentifikasi kasus positif dan berpotensi digunakan sebagai alat bantu pertanian presisi.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	CNN, Deteksi Dini, Powdery Mildew, Daun Labu, VGG16
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	20 Aug 2025 11:02
Last Modified:	20 Aug 2025 11:02
URI:	https://kc.umn.ac.id/id/eprint/39986

Actions (login required)

View Item