KLASIFIKASI CITRA PENYAKIT PADA DAUN JAGUNG MENGGUNAKAN DEEP LEARNING DENGAN METODE CONVOLUTION NEURAL NETWORK (CNN)

Nurcahyati, Afivah Dwi, 51704110005 and Akbar, Ronny Makhfuddin, 0709078604 and Zahara, Soffa, 0704079101 (2021) KLASIFIKASI CITRA PENYAKIT PADA DAUN JAGUNG MENGGUNAKAN DEEP LEARNING DENGAN METODE CONVOLUTION NEURAL NETWORK (CNN). Bachelor thesis, Universitas Islam Majapahit Mojokerto.

	Text Abstrak.pdf Restricted to Registered users only Download (734kB) | Request a copy
Preview	Text BAB 1.pdf Download (83kB) | Preview
	Text BAB 2.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (2MB) | Request a copy
Preview	Text BAB 5.pdf Download (11kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (152kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Di kecamatan Gedeg mayoritas masyarakat memiliki mata pencaharian sebagai seorang petani Hortikultura (Padi, Jagung, Tebu, Singkong, Mangga dan Jagung), paling banyak yang ditanam oleh petani maupun masyarakat sekitar adalah tanaman Jagung, namun banyak kendala yang telah dihadapi oleh semua petani yakni gagal panen dikarenakan jenis penyakit yang tidak diketahui jenis penyakitnya, banyaknya jumlah tanaman jagung dalam satu lahan membuat petani mengalami kesusahan dalam mengklasifikasikan setiap jenisnya yang berakibat gagal panen. Permasalahan tersebut dapat diatasi dengan Deep Learning yang menggunakan metode klasifikasi algoritma Convolutional Neural Network (CNN). Menggunakan citra fisik pada daun tanaman jagung, metode CNN dapat membuat klasifikasi melalui model yang dibuat. Peneliti membuat sebuah model untuk dilakukan klasifikasi dengan bagian terdiri dari 4 convolution layer, 2 pooling layer yang berukuran 2×2, 3 dropout layer, 2 dense layer serta 1 flatten layer. Untuk melakukan aktivasi menggunakan ReLu, beserta filter sebanyak 32 dan 64 menggunakan 4 macam ukuran kernel yakni 3x2, 3x3, 3x4, 4x4. Dan dilakukan pengujian dengan 900 data gambar yang dimana 720 digunakan sebagai data train dan 180 sebagai data Test. Dengan learning rate sebesar 0.004, 100 epoch serta 6 algoritma performansi sebagai perbandingan yakni algoritma Root Mean Square Propagation (RMSProp), Adaptive Gradient (AdaGrad), Stochastic Gradient descent (SGD), Adaptive Moment (Adam), Adamax, Adadelta. Dan dihasilkan tingkat akurasi tertinggi yang dihasilkan oleh ukuran kernel 3x3 dengan algoritma optimasi Adaptive Moment (Adam) dengan hasil tingkat akurasinya sebesar 84% untuk data test dan 89% untuk data train, pada pengujian Testing didapatkan nilai akurasi sebesar 94%, untuk pengujian Testing dilakukan dengan jumlah 180 data yang didapatkan hasil tertinggi dengan model ukuran kernel 3x3 dengan jumlah true 175 dan jumlah false 5 sehingga didapatkan presisi sebesar 94% berdasarkan dengan komposisi warna pada citra.

Actions (login required)

View Item