Perbandingan Robustness Efficientnet dan Fastvit pada Klasifikasi Penyakit Daun Tomat dengan Variasi Kondisi Visual dan Augmentasi Individual

Calvin Saputra, Julius (2026) Perbandingan Robustness Efficientnet dan Fastvit pada Klasifikasi Penyakit Daun Tomat dengan Variasi Kondisi Visual dan Augmentasi Individual. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_I.pdf Download (885kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (6MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (796kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (734kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (3MB)
	Archive (ZIP) 00000068626_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Abstrak-- Penyakit pada daun tomat dapat menurunkan kualitas dan produktivitas hasil panen sehingga diperlukan sistem klasifikasi otomatis yang memiliki akurasi tinggi serta mampu mempertahankan performa pada berbagai kondisi citra. Sebagian besar penelitian terdahulu berfokus pada evaluasi akurasi menggunakan clean dataset, sementara ketahanan (robustness) model terhadap gangguan visual yang umum terjadi di lapangan masih belum banyak dikaji. Oleh karena itu, penelitian ini bertujuan membandingkan performa dan robustness model EfficientNet-B0 dan FastViT-T8, yang memiliki mekanisme ekstraksi fitur berbeda, dalam klasifikasi penyakit daun tomat menggunakan dataset gabungan dari tiga dataset publik Kaggle yang terdiri atas 10 kelas, yaitu 9 kelas penyakit dan 1 kelas daun sehat. Penelitian dilakukan menggunakan framework PyTorch melalui tahapan data preparation, pelatihan model, evaluasi performa, pengujian robustness, serta deployment menggunakan Gradio. Pengujian robustness dilakukan menggunakan augmentasi brightness, contrast, saturation, hue, affine, perspective, dan blur pada beberapa tingkat severity. Hasil penelitian menunjukkan bahwa kedua model memperoleh akurasi sebesar 99,88% pada clean dataset. FastViT-T8 menunjukkan robustness yang lebih baik terhadap gangguan fotometrik, sedangkan EfficientNet-B0 lebih stabil terhadap distorsi geometrik berupa perspective. Kedua model juga berhasil diimplementasikan pada aplikasi berbasis web interaktif menggunakan Gradio dengan waktu inferensi yang cepat sehingga berpotensi mendukung identifikasi penyakit daun tomat secara real-time.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Calvin Saputra, Julius (00000068626)
Contributors:	Evelin Johan, Monika
Keywords:	Deep learning, EfficientNet, FastViT, Klasifikasi Penyakit Daun Tomat, Augmentasi Individual
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	20 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47761

Actions (login required)

View Item