Implementasi Faster R-CNN dengan Penggantian Arsitektur Backbone untuk Deteksi Tingkat Intensitas Penyakit pada Tanaman Kelapa Sawit

John Aranda, Christoper (2025) Implementasi Faster R-CNN dengan Penggantian Arsitektur Backbone untuk Deteksi Tingkat Intensitas Penyakit pada Tanaman Kelapa Sawit. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (494kB)
	PDF BAB_I.pdf Download (322kB)
	PDF BAB_II.pdf Download (395kB)
	PDF BAB_III.pdf Download (521kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (228kB)
	PDF DAFTAR_PUSTAKA.pdf Download (197kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (564kB)

Abstract

Kelapa sawit (Elaeis guineensis Jacq) merupakan komoditas utama dalam industri minyak nabati yang produktivitasnya dapat menurun akibat serangan penyakit garis kuning (patch yellow). Penyakit ini mengganggu proses fotosintesis dan berdampak langsung pada penurunan hasil panen. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan klasifikasi intensitas penyakit garis kuning pada tanaman kelapa sawit menggunakan algoritma Faster R-CNN berbasis deep learning. Data citra diperoleh melalui drone DJI Air 2S, kemudian dilakukan pelabelan menggunakan aplikasi Roboflow ke dalam empat kelas: sehat, ringan, sedang, dan berat. Untuk mengatasi ketidakseimbangan kelas pada dataset, diterapkan metode undersampling terhadap kelas mayoritas dan augmentasi terhadap kelas minoritas menggunakan pustaka Albumentations. Proses pelatihan model dilakukan dengan empat variasi backbone, dan berdasarkan hasil evaluasi, model dengan backbone ResNet-50-FPN-V2 menunjukkan performa terbaik berdasarkan metrik F1-Score, mAP, Precision, Recall, dan IoU. Proses evaluasi juga menunjukkan bahwa model mampu melakukan inferensi terhadap citra drone dengan hasil yang akurat dan sesuai dengan ground truth. Hasil penelitian ini menunjukkan bahwa sistem deteksi berbasis Faster R-CNN dapat digunakan sebagai alat bantu dalam proses pengambilan keputusan pemupukan yang lebih tepat berdasarkan tingkat keparahan penyakit. Dengan demikian, sistem ini berpotensi meningkatkan efisiensi penggunaan pupuk serta membantu petani dalam menjaga produktivitas tanaman secara optimal.

Item Type:	Thesis (Bachelor Thesis)
Creators:	John Aranda, Christoper (00000065059)
Contributors:	Shabrina, Nabila Husna
Keywords:	kelapa sawit, deteksi penyakit, Faster R-CNN, deep learning, ResNet50FPNV2
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
Date Deposited:	10 Sep 2025 09:17
URI:	https://kc.umn.ac.id/id/eprint/40582

Actions (login required)

View Item