IMPLEMENTASI TRANSFER LEARNING DALAM ARSITEKTUR EFFICIENTNET-B0 PADA KLASIFIKASI PENYAKIT DAUN TOMAT

Agustin, Rizma (2026) IMPLEMENTASI TRANSFER LEARNING DALAM ARSITEKTUR EFFICIENTNET-B0 PADA KLASIFIKASI PENYAKIT DAUN TOMAT. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2213030058.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (Similarity) RAMA_57201_2213030058_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (7MB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2213030058_0721029101_0712108103_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (3MB)
	Text (BAB 2) RAMA_57201_2213030058_0721029101_0712108103_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (BAB 3) RAMA_57201_2213030058_0721029101_0712108103_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (BAB 4) RAMA_57201_2213030058_0721029101_0712108103_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (BAB 5) RAMA_57201_2213030058_0721029101_0712108103_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (References) RAMA_57201_2213030058_0721029101_0712108103_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (3MB)
	Text (Lampiran) RAMA_57201_2213030058_0721029101_0712108103_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy

Abstract

Penyakit daun tomat merupakan salah satu permasalahan yang dapat menurunkan kualitas dan produktivitas hasil pertanian apabila tidak dideteksi secara cepat dan tepat. Proses identifikasi penyakit secara manual masih bergantung pada pengamatan visual serta keahlian petani atau pakar, sehingga dibutuhkan sistem otomatis berbasis kecerdasan buatan yang mampu melakukan klasifikasi penyakit daun tomat secara akurat dan efisien. Penelitian ini bertujuan untuk mengimplementasikan metode transfer learning pada arsitektur EfficientNet-B0 untuk mengklasifikasikan penyakit daun tomat. Metode penelitian yang digunakan adalah CRISP-DM (Cross Industry Standard Process for Data Mining) yang meliputi tahap Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Dataset yang digunakan adalah PlantVillage Tomato Leaf Disease Dataset sebanyak 7.178 citra yang dibagi menjadi data training, validation, dan testing dengan rasio 70:15:15. Hasil penelitian menunjukkan bahwa model EfficientNet-B0 mampu mencapai akurasi sebesar 98,89% pada data testing dengan nilai precision 98,87%, recall 98,93%, dan F1-score 98,90%. Nilai loss sebesar 0,0309 menunjukkan tingkat kesalahan prediksi yang rendah. Selain itu, model memiliki rata-rata inference time sebesar 0,002568 detik per citra dan 0,163271 detik per batch, yang menunjukkan bahwa model mampu melakukan prediksi secara cepat dan efisien. Model juga berhasil diimplementasikan ke dalam sistem berbasis web menggunakan Flask, sehingga pengguna dapat melakukan klasifikasi citra daun tomat secara langsung melalui antarmuka web. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan transfer learning pada arsitektur EfficientNet-B0 efektif digunakan untuk klasifikasi penyakit daun tomat dengan performa tinggi dan efisiensi parameter yang baik. Keterbatasan penelitian ini terletak pada penggunaan dataset dengan kondisi citra yang relatif terkontrol sehingga belum sepenuhnya merepresentasikan kondisi lapangan nyata. Penelitian selanjutnya disarankan menggunakan dataset yang lebih beragam dengan citra dari kondisi lapangan nyata serta mengembangkan sistem berbasis mobile atau Internet of Things (IoT).

Actions (login required)

View Item