NUGROHO, Resma Adi (2025) Deteksi Penyakit Pada DaunTanaman Padi Menggunakan Arsitektur EfficientNet Dengan Transfer Learning Di Perangkat Mobile. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (84kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (98kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (110kB)
	Text 4. KATA PENGANTAR.pdf Download (88kB)
	Text 6. ABSTRAK.pdf Download (91kB)
	Text 7. ABSTRACT.pdf Download (63kB)
	Text 8. DAFTAR ISI.pdf Download (125kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (122kB)

Abstract

Indonesia merupakan negara agraris dengan sektor pertanian sebagai pilar utama
pembangunan nasional. Namun, kualitas hasil panen padi sering kali menurun akibat
tantangan seperti kurang optimalnya deteksi dan penanganan penyakit tanaman. Dalam
menghadapi tantangan ini, diperlukan solusi berbasis teknologi untuk mendukung
modernisasi sektor pertanian. Penelitian ini bertujuan untuk mengembangkan model
pendeteksian penyakit pada daun tanaman padi menggunakan arsitektur EfficientNet yang
diimplementasikan pada perangkat mobile. model dikembangkan melalui serangkaian
tahapan, dimulai dari pengumpulan dataset penyakit daun padi dari Mendeley Data,
dilanjutkan dengan pembagian dataset, augmentasi, dan preprocessing menggunakan library
Keras. Proses pelatihan melibatkan pencarian hyperparameter optimal, evaluasi model, dan
fine tuning. model yang dihasilkan diubah ke format TensorFlow Lite untuk mendukung
implementasi pada aplikasi mobile berbasis Flutter. Hasil pengujian menunjukkan bahwa
EfficientNet merupakan arsitektur yang efektif dalam mendeteksi penyakit tanaman padi. fine
tuning pada EfficientNet-B0, B1, dan B2 menghasilkan peningkatan akurasi yang signifikan,
dengan EfficientNet-B2 mencapai performa terbaik (akurasi, precision, recall, dan F1-score
sebesar 0,99). Meskipun memiliki runtime lebih tinggi (478 ms), EfficientNet-B2 cocok untuk
skenario yang membutuhkan akurasi tinggi, sementara EfficientNet-B0 dan B1 menawarkan
trade-off yang lebih baik antara runtime dan akurasi untuk aplikasi real-time. Dengan hasil
ini, diharapkan solusi yang dikembangkan mampu memberikan deteksi dini penyakit padi,
meningkatkan hasil panen, dan mempercepat modernisasi sektor pertanian di Indonesia.
Kata kunci : EfficientNet, deteksi penyakit tanaman padi, aplikasi mobile, fine-tuning,
TensorFlow Lite.

Actions (login required)

View Item