PERBANDINGAN ARSITEKTUR RESNET152V2 DAN ALEXNET DALAM MENDETEKSI PENYAKIT TANAMAN JAGUNG MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK BERBASIS WEB

Ilham, Adelya Armaiji (2024) PERBANDINGAN ARSITEKTUR RESNET152V2 DAN ALEXNET DALAM MENDETEKSI PENYAKIT TANAMAN JAGUNG MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK BERBASIS WEB. Skripsi (S1) thesis, Universitas Muhammadiyah Ponorogo.

	Text (SURAT PERSETUJUAN UNGGAH KARYA ILMIAH) SURAT PERSETUJUAN UNGGAH KARYA ILMIAH.pdf Download (399kB)
	Text (HALAMAN DEPAN) HALAMAN DEPAN.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (173kB)
	Text (BAB II) BAB II.pdf Restricted to Repository staff only Download (431kB)
	Text (BAB III) BAB III.pdf Restricted to Repository staff only Download (479kB)
	Text (BAB IV) BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text (BAB V) BAB V.pdf Restricted to Repository staff only Download (113kB)
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf Download (180kB)
	Text (SKRIPSI FULL TEXT) SKRIPSI FULL TEXT.pdf Download (3MB)

Abstract

Tanaman jagung (Zea mays) merupakan komoditas utama bagi petani di Indonesia. Namun, tanaman ini rentan terhadap berbagai penyakit seperti Common Rust, Gray Leaf Spot, dan Northern Leaf Blight yang dapat mengakibatkan penurunan hasil panen. Penelitian ini bertujuan untuk mengimplementasikan Metode Convolutional Neural Network (CNN) dalam Sistem Deteksi Penyakit Daun Jagung berbasis web yang mencakup dataset Common Rust, Gray Leaf Spot, Healthy, dan Northern Leaf Blight. Dataset yang digunakan terdiri dari 3852 citra daun jagung, termasuk kelas Common Rust, Gray Leaf Spot, Healthy, dan Northern Leaf Blight. Metode CNN yang diimplementasikan menggunakan model ResNet152V2 dan AlexNet. Hasil eksperimen menunjukkan bahwa ResNet152V2 mencapai akurasi 100% dalam mengidentifikasi semua kelas penyakit daun jagung, membuktikan efektivitas tinggi dalam deteksi penyakit. Di sisi lain, model AlexNet menunjukkan variasi akurasi yang lebih besar, dengan akurasi tertinggi 99.99% untuk Northern Leaf Blight dan terendah 44.22% untuk Gray Leaf Spot. Hal ini menegaskan bahwa ResNet152V2 lebih konsisten dan akurat dibandingkan AlexNet dalam mendeteksi penyakit pada tanaman jagung. Keunggulan ResNet152V2 terletak pada arsitektur yang lebih dalam dan kemampuannya mengatasi masalah vanishing gradient, sehingga dapat mengenali fitur-fitur spesifik dari berbagai kondisi daun jagung dengan sangat baik. Sementara itu, meskipun AlexNet mampu memberikan akurasi tinggi dalam beberapa kasus, model ini menunjukkan ketidakstabilan performa yang mengindikasikan perlunya penyesuaian atau data pelatihan yang lebih representatif. Secara keseluruhan, hasil ini menunjukkan bahwa ResNet152V2 adalah arsitektur yang lebih andal untuk identifikasi penyakit pada daun jagung dibandingkan dengan AlexNet.

Item Type:	Thesis (Skripsi (S1))
Uncontrolled Keywords:	AlexNet, Metode Convolutional Neural Network, ResNet152V2, Tanaman Jagung
Subjects:	T Technology > TD Environmental technology. Sanitary engineering
Divisions:	Faculty of Engineering
Depositing User:	ft . userft
Date Deposited:	04 Sep 2024 01:44
Last Modified:	04 Sep 2024 01:44
URI:	http://eprints.umpo.ac.id/id/eprint/14763

Actions (login required)

View Item