Prediksi Tingkat Keparahan Penyakit Powdery Mildew pada Daun Melon Menggunakan U-Net dan MobileNetV2 sebagai Encoder

Ali Zamzami, Rizky (2026) Prediksi Tingkat Keparahan Penyakit Powdery Mildew pada Daun Melon Menggunakan U-Net dan MobileNetV2 sebagai Encoder. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (836kB)
	PDF BAB_I.pdf Download (230kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (39MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (207kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (221kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)
	Archive (ZIP) 00000079009_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Penyakit powdery mildew merupakan salah satu penyakit utama pada tanaman melon yang dapat menurunkan kualitas dan produktivitas hasil panen. Penilaian tingkat keparahan penyakit secara manual memerlukan waktu yang cukup lama dan rentan terhadap subjektivitas pengamat. Penelitian ini bertujuan mengembangkan sistem estimasi tingkat keparahan powdery mildew secara otomatis menggunakan pendekatan segmentasi semantik berbasis deep learning. Data yang digunakan merupakan data primer yang diperoleh dari Sekala Farm sebanyak 644 citra daun melon. Dari total data tersebut, 300 citra digunakan untuk pengembangan model segmentasi daun dan 180 citra digunakan untuk pengembangan model segmentasi powdery mildew. Sistem yang diusulkan terdiri atas dua tahap, yaitu segmentasi daun menggunakan model U-Net untuk proses background removal dan segmentasi area infeksi menggunakan U-Net dengan encoder MobileNetV2. Tingkat keparahan penyakit dihitung berdasarkan rasio jumlah piksel area infeksi terhadap jumlah piksel area daun hasil segmentasi. Hasil pengujian menunjukkan bahwa model U-Net untuk segmentasi daun memperoleh nilai Dice Coefficient sebesar 0,9689 dan IoU sebesar 0,9409. Sementara itu, model U-Net dengan encoder MobileNetV2 untuk segmentasi powdery mildew memperoleh nilai Dice Coefficient sebesar 0,8064 dan IoU sebesar 0,6756. Hasil tersebut menunjukkan bahwa metode yang diusulkan mampu melakukan segmentasi daun dan area infeksi dengan baik serta menghasilkan estimasi tingkat keparahan penyakit secara otomatis. Sistem ini berpotensi mendukung pemantauan kesehatan tanaman melon secara lebih cepat, objektif, dan efisien pada lingkungan greenhouse.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Ali Zamzami, Rizky (00000079009)
Contributors:	Permana, Angga Aditya
Keywords:	deep learning, MobileNetV2, powdery mildew, segmentasi semantik, U-Net
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	23 Jul 2026 08:05
URI:	https://kc.umn.ac.id/id/eprint/47948

Actions (login required)

View Item