KLASIFIKASI PENYAKIT DAUN CABAI RAWIT MENGGUNAKAN KOMPARASI ARSITEKTUR SWIN TRANSFORMER DAN CONVNEXT

Tiar Eka Saputra, I Gede (2026) KLASIFIKASI PENYAKIT DAUN CABAI RAWIT MENGGUNAKAN KOMPARASI ARSITEKTUR SWIN TRANSFORMER DAN CONVNEXT. Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2229101060-COVER.pdf
Download (705kB)
[img] Text (ABSTRAK)
2229101060-ABSTRACK.pdf
Download (145kB)
[img] Text (BAB 1 PENDAHULUAN)
2229101060-BAB 1 PENDAHULUAN.pdf
Download (167kB)
[img] Text (BAB 2 KAJIAN TEORI)
2229101060-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2229101060-BAB 3 METODOLOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (2MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101060-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (4MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2229101060-BAB 5 KESIMPULAN DAN SARAN.pdf
Restricted to Repository staff only
Download (158kB) | Request a copy
[img] Text (DAPTAR PUSTAKA)
2229101060-DAPTAR PUATAKA.pdf
Download (161kB)
[img] Text (LAMPIRAN)
2229101060-LAMPIRAN.pdf
Download (81kB)

Abstract

Saputra, I Gede Tiar Eka (2026), Klasifikasi Penyakit Daun Cabai Rawit Menggunakan Komparasi Arsitektur Swin Transformer Dan ConvNeXt. Tesis, Ilmu Komputer, Program Pascasarjana, Universitas Pendidikan Ganesha. Tesis ini sudah disetujui dan diperiksa oleh Pembimbing I : Dr. Ir. I Made Gede Sunarya, S.Kom., M.Cs dan Pembimbing II: Ir. Made Windu Antara Kesiman, S.T., M.Sc., Ph.D. Kata Kunci : Klasifikasi Citra, Swin Transformer, ConvNeXt, Penyakit Daun Cabai Rawit, Deep Learning Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa arsitektur Swin Transformer (Swin-T) dan ConvNeXt (ConvNeXt-T) dalam mengklasifikasikan empat kelas kondisi daun cabai rawit (Bercak Daun, Klorosis, Mosaik, dan Sehat) di lingkungan terbuka (open field). Penelitian ini menggunakan dataset primer berjumlah 1.991 citra yang dikumpulkan langsung dari lahan perkebunan di Desa Sebudi, Karangasem, Bali, dan telah divalidasi secara langsung oleh pakar dari Dinas Pertanian. Dataset tersebut dibagi secara sistematis menjadi 80% (1.592 citra) untuk skenario pelatihan dan 20% (399 citra) diisolasi sebagai unseen test set murni. Pada tahap pelatihan, citra diperkaya melalui berbagai teknik augmentasi data dinamis secara on-the-fly (rotasi, flip, shear, blur, dan random erasing) guna mencegah overfitting. Kedua arsitektur dimodifikasi menggunakan skema transfer learning berbasis bobot ImageNet menggunakan varian Tiny, dan dievaluasi stabilitasnya melalui metode Stratified 5-Fold Cross Validation.Hasil penelitian pada fase validasi silang (5-Fold CV) menunjukkan bahwa kedua arsitektur memiliki tingkat stabilitas yang sangat baik dan sama-sama mencapai rata-rata akurasi yang identik sebesar 98,99%. Namun, pada pengujian generalisasi akhir menggunakan unseen test set, Swin Transformer terbukti lebih presisi dan unggul dengan tingkat akurasi mencapai 99,25%, presisi 99,26%, recall 99,25%, dan f1-score 99,25%, mengungguli ConvNeXt yang memperoleh akurasi sebesar 98,75%. Ditinjau dari segi efisiensi komputasi, Swin Transformer juga mencatatkan performa yang jauh lebih optimal dengan total waktu pelatihan 114,37 menit (39,3% lebih cepat dibandingkan ConvNeXt yang membutuhkan waktu 188,58 menit) dengan ukuran model yang sangat ramping yaitu 110,32 MB. Disimpulkan bahwa arsitektur Swin Transformer merupakan model yang paling tangguh, optimal, dan efisien untuk diimplementasikan dalam sistem cerdas klasifikasi penyakit tanaman cabai rawit dengan ketersediaan dataset primer berskala menengah di lingkungan nyata.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Klasifikasi Citra, Swin Transformer, ConvNeXt, Penyakit Daun Cabai Rawit, Deep Learning
Subjects: T Technology > T Technology (General)
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: I Gede Tiar Eka Saputra
Date Deposited: 11 Aug 2026 10:48
Last Modified: 11 Aug 2026 10:48
URI: http://repo.undiksha.ac.id/id/eprint/32516

Actions (login required)

View Item View Item