Pengembangan Sistem Identifikasi Penyakit Pada Citra Daun Tanaman Menggunakan Convolutional Neural Networks (CNN)

Norsi, Isna Aulia Fadilla (2023) Pengembangan Sistem Identifikasi Penyakit Pada Citra Daun Tanaman Menggunakan Convolutional Neural Networks (CNN). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211940000006-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (3MB) | Request a copy

Abstract

Dewasa ini, permintaan pasar terhadap buah dan sayuran di Indonesia semakin meningkat. Upaya peningkatan produksi buah dan sayuran untuk memenuhi permintaan pasar tidak terlepas dari faktor penghambat, salah satunya, yaitu penyakit tanaman. Oleh karena itu, perlu dilakukan pemantauan dan identifikasi penyakit sejak awal proses penanaman untuk menghindari akibat dari penyakit tanaman yang fatal. Saat ini, petani buah dan sayuran cenderung melakukan praktik manual dengan menggunakan kemampuan visualnya untuk mengidentifikasi penyakit pada tanaman. Namun, pada kenyataannya praktik manual tidak mampu untuk mencakup area perkebunan yang luas dan kurang memberikan informasi untuk proses pengambilan keputusan. Perbedaan pengetahuan dan pengalaman antar petani juga memberikan peluang kesalahan yang sangat tinggi dalam pemeriksaan manual. Di lain pihak, telah banyak dikembangkan metode berbasis komputer untuk melakukan identifikasi penyakit tanaman berdasarkan citra daun tanaman. Sistem identifikasi penyakit pada tanaman berbasis komputer dengan menggunakan metode deep learning memperoleh hasil persentase akurasi yang lebih tinggi dibandingkan dengan metode konvensional apabila didukung dengan jumlah dataset yang cukup. Penambahan transfer learning dengan menggunakan model yang telah dilatih sebelumnya juga dapat meningkatkan kinerja pada metode deep learning. Oleh karena itu, pada penelitian tugas akhir ini, akan dilakukan pengembangan sistem identifikasi penyakit pada citra daun beberapa jenis tanaman menggunakan metode Convolutional Neural Network (CNN) dan transfer learning. Tahapan tugas akhir ini meliputi studi literatur, pengumpulan data, preprocessing data, pengembangan arsitektur network, proses pelatihan model, uji coba & evaluasi model, implementasi model ke dalam aplikasi berbasis web, serta penulisan tugas akhir. Pada penelitian ini, telah berhasil dikembangkan aplikasi identifikasi penyakit tanaman berbasis web menggunakan framework Flask. Dalam melakukan identifikasi, sistem menggunakan model arsitektur CNN dengan base model EfficientNet-B0 yang sudah dilatih pada dataset ImageNet, head model yang terdiri dari satu lapisan Average pooling dengan kernel 7 x 7, dua lapisan fully-connected (dense layer) dengan masing-masing lapisan terdiri dari 128 dan 64 nodes, dan lapisan output yang memprediksi input menjadi enam belas kelas citra daun tanaman. Pengaturan parameter terbaik dari hasil eksperimen yang memberikan akurasi tinggi, yaitu menggunakan algoritma optimasi Adam, jumlah epoch 15, dan jumlah batch size 32. Dengan menggunakan arsitektur dan parameter yang diusulkan, diperoleh akurasi tertinggi sebesar 99%
=================================================================================================================================

Nowadays, the market demand for fruits and vegetables in Indonesia is increasing. Efforts to increase fruit and vegetable production to meet market demand cannot be separated from inhibiting factors, one of which is plant disease. Therefore, it is necessary to monitor and identify diseases from the beginning of the planting process to avoid the fatal consequences of plant diseases. Currently, fruit and vegetable farmers tend to carry out manual practices by using their visual abilities to identify plant diseases. However, in reality, manual practices are unable to cover large plantation areas and provide less information for the decision-making process. Differences in knowledge and experience among farmers also provide a very high chance of error in manual inspection. On the other hand, many computer-based methods have been developed to identify plant diseases based on images of plant leaves. The computer-based plant disease identification system using deep learning method obtained a higher percentage of accuracy compared to conventional methods if supported by a sufficient number of datasets.The addition of transfer learning using pre-trained models can also improve the performance of deep learning methods. Therefore, in this final project research, the development of a diseases identification system in leaf images of several types of plants using Convolutional Neural Network (CNN) and transfer learning methods will be carried out. The stages of this final project include literature study, data collection, data pre-processing, network architecture development, model training process, model testing & evaluation, model implementation into web-based applications, and final project writing. In this research, a webbased plant disease identification application using the Flask framework has been successfully developed. In performing identification, the system uses CNN architecture model with EfficientNet-B0 base model that has been trained on ImageNet dataset, head model consisting of one Average pooling layer with 7 x 7 kernel, two fully-connected layers (dense layer) with each layer consisting of 128 and 64 nodes, and output layer that predicts the input into sixteen classes of plant leaf images. The best hyperparameter settings from the experimental results that provide high accuracy, namely using Adam's optimization algorithm, the number of epochs 15, and the number of batch sizes 32. Using the proposed architecture and parameters, the highest accuracy of 99% was obtained

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penyakit Tanaman, Citra Daun Tanaman, Convolutional Neural Network (CNN), Klasifikasi Citra, Deep Learning, Transfer learning, Plant Disease, Plant Leaf Image, Image Classification.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. R Medicine > R Medicine (General) > R858 Deep Learning S Agriculture > S Agriculture (General) T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Isna Aulia Fadilla Norsi
Date Deposited:	20 Jul 2023 01:34
Last Modified:	20 Jul 2023 01:34
URI:	http://repository.its.ac.id/id/eprint/98619

Actions (login required)

View Item