DETEKSI PENYAKIT PADA BUAH CABAI RAWIT MENGGUNAKAN ALGORITMA ARSITEKTUR MOBILENETV2 Studi Kasus : Desa Jatigreges Kecamatan Pace kabupaten Nganjuk

Pratama, Mohamad Ansori (2025) DETEKSI PENYAKIT PADA BUAH CABAI RAWIT MENGGUNAKAN ALGORITMA ARSITEKTUR MOBILENETV2 Studi Kasus : Desa Jatigreges Kecamatan Pace kabupaten Nganjuk. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_55201_2113020058.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text (Similarity) RAMA_55201_2113020058_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd BAB 1 + References) RAMA_55201_2113020058_0729098903_0719068702_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (483kB)
	Text (BAB 2) RAMA_55201_2113020058_0729098903_0719068702_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (590kB) | Request a copy
	Text (BAB 3) RAMA_55201_2113020058_0729098903_0719068702_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (750kB) | Request a copy
	Text (BAB 4) RAMA_55201_2113020058_0729098903_0719068702_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (862kB) | Request a copy
	Text (BAB 5) RAMA_55201_2113020058_0729098903_0719068702_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (250kB) | Request a copy
	Text (References) RAMA_55201_2113020058_0729098903_0719068702_06_Ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (253kB)
	Text (Lampiran) RAMA_55201_2113020058_0729098903_0719068702_07_Lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (684kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit pada buah cabai rawit menggunakan algoritma arsitektur MobileNetV2. Sistem ini dikembangkan dengan pendekatan waterfall dan diimplementasikan dalam aplikasi Android. Cabai rawit merupakan komoditas potensial namun sensitif terhadap cuaca dan rentan terhadap hama penyakit seperti antraknosa dan busuk buah, yang dapat menyebabkan kerugian ekonomi bagi petani. Model deteksi dibangun menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dataset gambar buah cabai rawit (sehat, antraknosa, dan busuk buah) diambil langsung dari lahan pertanian di Desa Jatigreges, Nganjuk, dan juga dari Roboflow Universe. Gambar-gambar ini diubah ukurannya menjadi 600x600 piksel dan dibagi menjadi 70% untuk training, 20% untuk validasi, dan 10% untuk testing. Hasil pengujian fungsional menggunakan Black Box Testing menunjukkan bahwa semua fitur aplikasi, seperti tampilan halaman beranda, pengambilan gambar melalui kamera, pratinjau hasil kamera, tampilan hasil deteksi, dan riwayat deteksi, berfungsi sesuai dengan yang diharapkan. Pengujian non-fungsional menunjukkan bahwa model memiliki performa yang bervariasi tergantung pada konfigurasi eksperimen. Pada beberapa eksperimen (Eksperimen 1 dan 2), model menunjukkan akurasi sangat tinggi (hingga 0.99) dan metrik presisi, Recall, serta F1-Score mendekati sempurna. Namun, ada eksperimen lain (Eksperimen 3 dan 4) di mana akurasi lebih rendah (sekitar 0.61-0.68) dan F1-Score menunjukkan kelemahan signifikan pada deteksi kelas tertentu, seperti "Sehat" atau "Busuk Buah". Eksperimen 5 menunjukkan performa yang sangat baik secara keseluruhan, dengan akurasi rata-rata 0.85 pada 20 epoch dan 0.86 pada 100 epoch dengan early stopping. Model unggul dalam "Antraknosa" dan "Busuk Buah" (presisi "Busuk Buah" sering mencapai 100%). Namun, tantangan terbesar masih pada Recall untuk "Sehat", di mana model kadang melewatkan buah sehat yang sebenarnya (rata-rata Recall 69%). Proses pelatihan model juga menunjukkan bahwa early stopping efektif, menghentikan pelatihan pada epoch yang berbeda-beda (antara 14 hingga 25) setelah mencapai kinerja optimalnya, yang membantu mencegah overfitting. Eksperimen 6 menunjukkan kinerja yang sangat baik secara keseluruhan (akurasi rata-rata 0.93 pada 20 epoch). Model kuat dalam presisi, Recall, dan F1-Score untuk "Antraknosa" dan "Sehat" (Recall "Sehat" rata-rata 0.99). Terdapat sedikit penurunan kinerja pada "Busuk Buah" (Recall rata-rata 0.89 dan F1-Score 0.91), yang mengindikasikan kadang melewatkan beberapa kasus. Dengan 100 epoch dengan early stopping, akurasi rata-rata 0.91. Harapannya, sistem ini dapat membantu petani dalam mendeteksi penyakit buah cabai rawit secara akurat dan cepat.

Actions (login required)

View Item