ANALISIS KOMPARASI ARSITEKTUR VGG16, XCAPTION DAN NASNETMOBILE UNTUK DETEKSI PENYAKIT DAUN MANGGA

Ardiansyah, Ryo (2025) ANALISIS KOMPARASI ARSITEKTUR VGG16, XCAPTION DAN NASNETMOBILE UNTUK DETEKSI PENYAKIT DAUN MANGGA. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full Text) RAMA_55201_2113020129.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (Similarity) RAMA_55201_2113020129_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd BAB 1 + References) RAMA_55201_2113020129_0729088802_0729098903_01_front_ref.docx.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (276kB)
	Text (BAB 2) RAMA_55201_2113020129_0729088802_0729098903_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (444kB) | Request a copy
	Text (BAB 3) RAMA_55201_2113020129_0729088802_0729098903_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (466kB) | Request a copy
	Text (BAB 4) RAMA_55201_2113020129_0729088802_0729098903_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text (BAB 5) RAMA_55201_2113020129_0729088802_0729098903_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (85kB) | Request a copy
	Text (References) RAMA_55201_2113020129_0729088802_0729098903_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (113kB)
	Text (Lampiran) RAMA_55201_2113020129_0729088802_0729098903_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (366kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun mangga menggunakan teknologi Convolutional Neural Network (CNN). Latar belakang dari penelitian ini didasari oleh pentingnya deteksi dini terhadap penyakit tanaman mangga yang kerap diserang oleh jamur, bakteri, dan virus. Deteksi secara manual dianggap kurang efisien dan akurat, sehingga diperlukan metode otomatis melalui teknologi pengolahan citra digital. CNN dipilih karena memiliki kemampuan tinggi dalam mengenali pola visual pada gambar secara otomatis dan akurat. Penelitian ini difokuskan pada analisis dan implementasi tiga arsitektur CNN, yaitu VGG16, Xception, dan NasNetMobile, untuk mendeteksi penyakit pada daun mangga. Tujuan utama dari penelitian ini adalah untuk mengetahui performa dan cara kerja ketiga arsitektur tersebut dalam klasifikasi gambar daun mangga, serta mengevaluasi hasilnya berdasarkan metrik akurasi, presisi, recall, dan F1-Score. Penelitian ini menggunakan metode development research, di mana sistem dikembangkan dan diuji melalui tahapan seperti pengumpulan data, preprocessing, pelatihan model, evaluasi, dan implementasi sistem berbasis web. Dataset diperoleh secara pribadi dengan memotret daun mangga menggunakan kamera HP beresolusi 12MP, yang kemudian diproses melalui teknik augmentasi seperti rotasi, flipping, zooming, dan rescaling. Pelatihan model dilakukan menggunakan optimizer Adam dengan jumlah epoch hingga 100 dan menerapkan teknik early stopping untuk menghindari overfitting. Setiap model CNN dibangun dalam skenario yang berbeda dan diuji melalui tiga skenario evaluasi, yaitu skenario dengan dua kelas (Jamur Jelangga dan Klorosis) dan (Sakit dan Sehat), serta tiga kelas (Jamur Jelangga, Klorosis, dan Sehat). Hasil evaluasi menunjukkan bahwa arsitektur VGG16 memberikan performa terbaik dengan akurasi tertinggi mencapai 98%, disusul oleh NasNetMobile sebesar 95% dan Xception sebesar 89% pada skenario pertama. Pada skenario kedua, VGG16 tetap menunjukkan performa unggul dibanding dua model lainnya. Sistem yang dibangun juga diimplementasikan dalam bentuk aplikasi web menggunakan framework Streamlit, dengan fitur unggah gambar, proses klasifikasi otomatis, dan tampilan hasil klasifikasi secara langsung di antarmuka pengguna. Uji fungsional menunjukkan sistem berjalan dengan baik tanpa error, responsif, dan memiliki tampilan antarmuka yang intuitif. Berdasarkan hasil pengujian baik dari sisi teknis maupun akurasi model, dapat disimpulkan bahwa VGG16 merupakan arsitektur paling efektif dalam klasifikasi penyakit daun mangga, dan sistem berbasis CNN ini dapat memberikan solusi praktis bagi petani untuk mendeteksi penyakit secara cepat dan akurat. Penelitian ini juga memiliki kontribusi terhadap pengembangan teknologi pertanian berbasis kecerdasan buatan yang dapat diterapkan secara luas di masa depan.

Actions (login required)

View Item