Arunika, Ketut Rega (2026) KLASIFIKASI PENYAKIT DAUN TERONG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR INCEPTIONV3 DAN VGG19. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2215101004-COVER.pdf Download (4MB) |
|
Text (ABSTRAK)
2215101004-ABSTRAK.pdf Download (899kB) |
|
Text (BAB 1 PENDAHULUAN)
2215101004-BAB 1 PENDAHULUAN.pdf Download (1MB) |
|
Text (BAB 2 KAJIAN TEORI)
2215101004-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (3MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2215101004-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (4MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101004-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (17MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2215101004-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2215101004-DAFTAR PUSTAKA.pdf Download (1MB) |
|
Text (LAMPIRAN)
2215101004-LAMPIRAN.pdf Download (1MB) |
Abstract
Sektor pertanian memiliki peran krusial dalam mewujudkan dan menjaga ketahanan pangan, termasuk pada komoditas hortikultura seperti terong (Solanum melongena). Produksi terong di Bali berkontribusi dalam memenuhi kebutuhan pangan lokal, namun tingkat produktivitas tanaman ini kerap mengalami penurunan signifikan akibat infeksi patogen pada daun, seperti gejala bercak daun, embun tepung, dan virus mosaik. Identifikasi penyakit oleh petani umumnya melakukan deteksi penyakit secara visual dan manual sehingga berpotensi menimbulkan kesalahan diagnosis. Oleh sebab itu, riset ini bertujuan membangun sebuah model klasifikasi penyakit daun terong memanfaatkan teknologi deep learning guna memfasilitasi proses identifikasi otomatis yang lebih presisi. Dataset yang digunakan diperoleh dari Dinas Pertanian Kabupaten Buleleng dan BPP Sukasada sebanyak 500 gambar dengan empat kelas, yaitu daun sehat, bercak daun, embun tepung, dan virus mosaik. Model yang digunakan adalah arsitektur InceptionV3 dan VGG19 dengan memodifikasi batch size (16 dan 32) serta learning rate (0.0001, 0.0005, 0.00001). Temuan riset menunjukkan bahwa VGG19 memperoleh performa terbaik pada batch size 16 dan learning rate 0.0001, mencatatkan akurasi training 96%, validation 93%, dan testing 94%. Sementara itu, InceptionV3 mencapai performa terbaik pada batch size 16 dan learning rate 0.0001, mencatatkan akurasi training 98%, validation 93%, dan testing 93%. Model tersebut lalu diterapkan ke dalam sistem aplikasi berbasis Streamlit dan diuji menggunakan 40 data gambar daun terong yang diambil langsung dari lapangan, di mana model VGG19 menghasilkan 36 prediksi yang benar, lebih tinggi dibandingkan model InceptionV3 yang menghasilkan 29 prediksi yang benar.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Deep Learning,Pengelompokan Citra,Penyakit daun terong,VGG19,InceptionV3 |
| Subjects: | Q Science > QA Mathematics > QA76 Computer software |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Ketut Rega Arunika |
| Date Deposited: | 08 Jun 2026 08:37 |
| Last Modified: | 08 Jun 2026 08:37 |
| URI: | http://repo.undiksha.ac.id/id/eprint/29653 |
Actions (login required)
 |
View Item |