DETEKSI PENYAKIT BERCAK PADA DAUN BIBIT SAWIT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Zulva, Muhammad Shalahuddin (2024) DETEKSI PENYAKIT BERCAK PADA DAUN BIBIT SAWIT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Undergraduate thesis, Universitas Muhammadiyah Malang.

[thumbnail of PENDAHULUAN.pdf]
Preview
Text
PENDAHULUAN.pdf

Download (1MB) | Preview
[thumbnail of BAB I.pdf]
Preview
Text
BAB I.pdf

Download (248kB) | Preview
[thumbnail of BAB II.pdf]
Preview
Text
BAB II.pdf

Download (311kB) | Preview
[thumbnail of BAB III.pdf] Text
BAB III.pdf
Restricted to Registered users only

Download (300kB) | Request a copy
[thumbnail of BAB IV.pdf] Text
BAB IV.pdf
Restricted to Registered users only

Download (381kB) | Request a copy
[thumbnail of BAB V.pdf] Text
BAB V.pdf
Restricted to Registered users only

Download (241kB) | Request a copy
[thumbnail of POSTER.pdf] Text
POSTER.pdf
Restricted to Registered users only

Download (629kB) | Request a copy

Abstract

Indonesia, sebagai negara kaya akan perkebunan, sangat mengandalkan industri kelapa sawit untuk pertumbuhan ekonomi. Salah satu tantangan dalam budidaya kelapa sawit adalah munculnya penyakit bercak daun, terutama pada bibit, yang dapat berdampak negatif pada produksi. Studi ini menyelidiki penerapan Convolutional Neural Network (CNN) untuk deteksi otomatis penyakit bercak daun pada bibit kelapa sawit. Studi ini menggunakan metodologi komprehensif yang melibatkan tinjauan pustaka, pengumpulan dataset, pra-pemrosesan data, pengembangan model menggunakan CNN, dan penyetelan hiperparameter. Dataset terdiri dari 600 gambar daun bibit kelapa sawit, yang terdiri dari sampel sehat dan sakit. Gambar-gambar tersebut diproses, diubah ukurannya, dinormalisasi untuk memfasilitasi pelatihan model. Arsitektur model CNN dirancang dengan lapisan-lapisan konvolusi, lapisan max-pooling, lapisan dropout, dan lapisan output. Hiperparameter seperti ukuran batch, tingkat dropout, pengoptimal, dan tingkat pembelajaran disetel untuk mengoptimalkan kinerja model. Implementasi model CNN menunjukkan kinerja yang luar biasa dalam deteksi penyakit, mencapai akurasi 99%. Analisis plot akurasi dan kehilangan pelatihan dan validasi menunjukkan kemampuan pembelajaran dan generalisasi model yang efektif. Laporan klasifikasi mengungkapkan nilai presisi, recall, dan F1-score yang tinggi, menunjukkan kemampuan model untuk membedakan dengan akurat antara bibit kelapa sawit yang sehat dan sakit.

Item Type: Thesis (Undergraduate)
Student ID: 201910370311007
Keywords: bibit kelapa sawit, Convolutional Neural Network, deteksi penyakit bercak.
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Informatics (55201)
Depositing User: 201910370311007 muhammadzulva03
Date Deposited: 28 Mar 2024 06:02
Last Modified: 28 Mar 2024 06:02
URI: https://eprints.umm.ac.id/id/eprint/5285

Actions (login required)

View Item
View Item