KLASIFIKASI PENYAKIT DAUN TANAMAN BAKAU MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

YUDHANTARA, KADEK (2026) KLASIFIKASI PENYAKIT DAUN TANAMAN BAKAU MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN). Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2115101004-COVER.pdf
Download (519kB)
[img] Text (ABSTRAK)
2115101004-ABSTRAK.pdf
Download (8MB)
[img] Text (BAB 1 PENDAHULUAN)
2115101004-BAB 1 PENDAHULUAN.pdf
Download (8MB)
[img] Text (BAB 2 KAJIAN TEORI)
2115101004-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (BAB 3 METODOLOGI PENELITIAN)
2115101004-BAB 3 METODOLOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2115101004-BAB 4 HASIL DAN PEMBHASAN.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2115101004-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2115101004-DAFTAR PUSTAKA.pdf
Download (8MB)
[img] Text (LAMPIRAN)
2115101004-LAMPIRAN.pdf
Download (8MB)

Abstract

Hutan bakau memiliki peran penting dalam menjaga keseimbangan ekosistem pesisir. Namun, keberadaannya dapat terancam oleh penyakit yang menyerang bagian daun tanaman bakau. Proses identifikasi penyakit daun secara manual memerlukan waktu lama dan keahlian khusus. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun tanaman bakau menggunakan metode deep learning dengan arsitektur Convolutional Neural Network (CNN), yaitu VGG16 dan MobileNetV2. Data yang digunakan berupa citra daun bakau jenis Ceriops tagal yang terbagi menjadi empat kelas, yakni daun sehat, bercak putih, bercak hitam, dan daun diserang hama. Proses pelatihan model dilakukan dengan menerapkan teknik data augmentation, dropout, serta pengaturan learning rate untuk mengoptimalkan hasil. Evaluasi kinerja model dilakukan menggunakan metode K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa arsitektur MobileNetV2 memberikan performa terbaik dengan akurasi 99%. Sementara itu, model VGG16 memperoleh akurasi 98% pada skenario early stopping, 92% pada skenario epoch 25, dan 96% pada skenario epoch 50, MobileNetV2 dinilai lebih efisien dan akurat dalam mengklasifikasikan penyakit daun bakau. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem deteksi dini penyakit daun bakau berbasis citra digital untuk mendukung upaya konservasi hutan mangrove secara berkelanjutan.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Convolutional Neural Network, Deep Learning, MobileNetV2, VGG16, Klasifikasi Penyakit
Subjects: T Technology > TD Environmental technology. Sanitary engineering
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: I Kadek Prasta Yudhantara
Date Deposited: 15 Jan 2026 04:03
Last Modified: 15 Jan 2026 04:03
URI: http://repo.undiksha.ac.id/id/eprint/27537

Actions (login required)

View Item View Item