AMALIA, Hanifah Gladis (2025) Klasifikasi Penyakit pada Tanaman Padi Menggunakan Algoritma CNN Berbasis MobileNetV2. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 24060120120028 - 1. Cover.pdf Download (59kB)
	Text 24060120120028 - 3. Halaman Pengesahan I.pdf Download (46kB)
	Text 24060120120028 - 4. Halaman Pengesahan II.pdf Download (129kB)
	Text 24060120120028 - 5. Asbtrak.pdf Download (14kB)
	Text 24060120120028 - 6. Abstract.pdf Download (33kB)
	Text 24060120120028 - 7. Daftar Isi.pdf Download (46kB)
	Text 24060120120028 - 12. Bab I Pendahuluan.pdf Download (2MB)

Abstract

ABSTRAK
Penyakit pada tanaman padi merupakan tantangan utama dalam sektor pertanian Indonesia
yang dapat mengganggu kestabilan hasil panen. Deteksi penyakit secara tradisional
membutuhkan waktu dan sumber daya yang signifikan. Penelitian ini mengembangkan
model klasifikasi penyakit pada tanaman padi melalui citra daun menggunakan
Convolutional Neural Network (CNN) berbasis arsitektur MobileNetV2. Teknologi ini
menawarkan solusi untuk meningkatkan akurasi dan efisiensi dalam identifikasi penyakit
tanaman padi. MobileNetV2 dipilih karena kemampuannya dalam mengurangi kebutuhan
komputasi dan memori, serta efektivitasnya yang telah terbukti dalam berbagai tugas
klasifikasi citra dengan tingkat akurasi yang tinggi. Dataset yang digunakan terdiri dari citra
daun padi dengan enam kelas penyakit, termasuk blast, blight, tungro, dan brownspot. Proses
klasifikasi mencakup preprocessing citra, yaitu resizing, rotasi, dan flipping. Dataset dibagi
menjadi 3 yaitu, data latih, data validasi, dan data uji. Hasil penelitian menunjukkan bahwa
model CNN berbasis MobileNetV2 mencapai akurasi dan f1-score hingga 99%,
membuktikan efektivitasnya dalam klasifikasi penyakit pada tanaman padi. Diharapkan,
hasil penelitian ini dapat berkontribusi dalam peningkatan produktivitas pertanian dan
ketahanan pangan di Indonesia..
Kata Kunci : Convolutional Neural Network (CNN), deteksi penyakit tanaman padi,
klasifikasi citra, MobileNetV2.

Actions (login required)

View Item