Implementasi Sistem Klasifikasi Penyakit Pada Daun Tanaman Bawang Merah Menggunakan Convolutional Neural Network

Pasya, Muhammad Naufal (2024) Implementasi Sistem Klasifikasi Penyakit Pada Daun Tanaman Bawang Merah Menggunakan Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5027201045_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Bawang merah merupakan salah satu komoditas penting di Indonesia, namun produktivitasnya sering terhambat oleh berbagai penyakit seperti purple blotch yang disebabkan oleh jamur Alternaria porri dan layu fusarium (moler) yang disebabkan oleh jamur Fusarium oxysporum. Penelitian ini menggunakan tujuh model CNN yaitu BaseCNN, BaseCNN 5 layer, InceptionV3, VGG16, Alexnet, ResNet50, dan VGG19. Penggunaan CNN pada penelitian ini dapat memudahkan para petani dalam pengendalian penyakit, yang sebelumnya hanya mengandalkan observasi visual oleh petani yang cukup memakan waktu. Selain itu, penggunaan CNN meningkakan accuracy yang sebelumnya tidak didapatkan pada teknologi yang sudah ada seperti metode bernoulli naive bayes. Tujuan dari penelitian ini adalah mengembangkan sistem klasifikasi yang mampu mendeteksi penyakit pada daun bawang merah secara akurat untuk membantu petani dalam pengambilan keputusan yang tepat. Data yang digunakan untuk pelatihan dan pengujian model terdiri dari 150 citra untuk masing-masing kelas penyakit (purple blotch dan moler) dan kelas healthy. Data penyakit diperoleh dari Kaggle dan pengambilan gambar secara mandiri di perkebunan bawang merah di desa Kare, Madiun, Jawa Timur. Hasil penelitian menunjukkan bahwa model VGG16 memberikan performa terbaik dengan akurasi 98% pada data validasi dan 98% pada data tes. Uji coba dilakukan dengan dan tanpa augmentasi data, serta dengan variasi jarak dan cahaya menggunakan kamera ESP32-CAM OV5640 dan OV2640. Hasil uji coba menunjukkan bahwa augmentasi data meningkatkan performa model, dan kondisi pencahayaan serta jarak pengambilan gambar mempengaruhi accuracy prediksi. Kamera OV5640 menunjukkan hasil yang lebih baik dibandingkan OV2640 karena memiliki resolusi yang lebih tinggi dan mampu menghasilkan citra dengan kualitas yang lebih baik. Implementasi sistem ini diharapkan dapat membantu petani dalam mendeteksi penyakit pada daun bawang merah secara dini sehingga dapat meningkatkan produktivitas dan kualitas hasil panen. Sistem ini juga diimplementasikan pada aplikasi mobile yang memudahkan petani dalam mengakses informasi terkait kehealthyan tanaman secara real-time.
==================================================================================================================================
Shallots are one of the important commodities in Indonesia; however, their productivity is often hampered by various diseases such as purple blotch caused by the fungus Alternaria porri and fusarium wilt (moler) caused by the fungus Fusarium oxysporum. This study uses seven CNN models, namely BaseCNN, BaseCNN 5 layer, InceptionV3, VGG16, Alexnet, ResNet50, VGG19. The use of CNN in this study can facilitate farmers in disease control, which previously relied only on visual observations by farmers, which is quite time-consuming. In addition, the use of CNN increases the accuracy that was not previously achieved with existing technologies such as the Bernoulli Naive Bayes method. The purpose of this research is to develop a classification system capable of accurately detecting diseases in shallot leaves to assist farmers in making informed decisions. The data used for model training and testing consists of 150 images for each disease class (purple blotch and moler) and the healthy class. Disease data were obtained from Kaggle and independent image collection in shallot plantations in Kare village, Madiun, East Java. The research results show that the VGG16 model provides the best performance with an accuracy of 98% on validation data and 98% on test data. Testing was carried out with and without data augmentation, as well as with variations in distance and lighting using ESP32-CAM OV5640 and OV2640 cameras. The test results show that data augmentation improves model performance, and lighting conditions and image capture distance affect prediction accuracy. The OV5640 camera showed better results compared to the OV2640 because it has a higher resolution and is capable of producing better quality images. The implementation of this system is expected to help farmers detect diseases in shallot leaves early, thereby increasing the productivity and quality of the harvest. This system is also implemented in a mobile application that makes it easier for farmers to access information related to plant health in real-time.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, klasifikasi penyakit, bawang merah, augmentasi data, aplikasi mobile, disease classification, shallots, data augmentation, ESP32-CAM, mobile application.
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Naufal Pasya
Date Deposited:	22 Jul 2024 03:33
Last Modified:	22 Jul 2024 03:33
URI:	http://repository.its.ac.id/id/eprint/108604

Actions (login required)

View Item