ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK MENGIDENTIFIKASI PENYAKIT TANAMAN CABAI

SAIFUL, ANDIKA, PRASETYO, ANGGA and LITANIANDA, YOVI (2023) ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK MENGIDENTIFIKASI PENYAKIT TANAMAN CABAI. Skripsi (S1) thesis, Universitas Muhammadiyah Ponorogo.

	Text SURAT PERSETUJUAN UNGGAH KARYA ILMIAH.pdf Download (66kB)
	Text HALAMAN DEPAN.pdf Download (5MB)
	Text BAB I.pdf Download (178kB)
	Text BAB II.pdf Restricted to Registered users only Download (475kB)
	Text BAB III.pdf Restricted to Registered users only Download (1MB)
	Text BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text BAB V.pdf Restricted to Repository staff only Download (162kB)
	Text DAFTAR PUSTAKA.pdf Download (164kB)
	Text SURAT PERSETUJUAN UNGGAH KARYA ILMIAH.pdf Download (66kB)
	Text SKRIPSI FULL TEXT.pdf Restricted to Repository staff only Download (9MB)

Abstract

Bahan baku cabai sangat dibutuhkan dengan banyaknya permintaan cabai sebagai kebutuhan masyarakat, fluktuasi harga terjadi pada komoditas cabai bahkan naik turunnya sangat signifikan. Harga komoditas cabai yang melambung menjadi faktor kenaikan harga bahan pokok lainnya seperti minyak dan beras. Pemicu yang mempengaruhi produktivitas tanaman cabai salah satunya virus dan cendawan yang akhirnya menimbulkan penyakit. Petani sering mengeuhkan diantaranya adalah penyakit, daun keriting, bercak daun, kutu kebul, antraknosa, rebah kecambah dan virus kuning. Pada penelitian ini dengan adanya kondisi tersebut maka peneliti membuat solusi dengan memanfaatkan Machine Learning untuk mengidentifikasi penyakit cabai secara realtime agar bisa langsung ditangani oleh para petani. Pada penelitian ini mambahas bagaimana dan efektifitas algoritma yang digunakan dapat mengidentifikasi penyakit cabai yang disebutkan tadi. Penelitian ini menggunakan algoritma Convolutional Neural Network (CNN) menggunakan arsitektur Alexnet sebagai metode untuk klasifikasi citra pada daun tanaman cabai, pada citra dari daun tanaman cabai akan diproses dengan proses yang sudah ditetapkan oleh CNN agar dapat mengetauhi hasil yang didapat berupa data yang diinginkan. Untuk hasil yang didapat cukup efektif dalam pengujian yang dilakukan secara langsung karena hasil akurasi lebih besar daripada hasil yang tidak. Dari hasil 8 kali pengujian Web app mendapatkan 7 yang benar dan 1 yang salah per class. Dari hasil yang dirasa efektif tersebut akan lebih baik jika menambah jumlah dataset agar hasil akurasi akan lebih besar lagi.

Item Type:	Thesis (Skripsi (S1))
Uncontrolled Keywords:	MACHINE LEARNING, CNN, CABAI
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering T Technology > TS Manufactures
Divisions:	Faculty of Engineering
Depositing User:	ft . userft
Date Deposited:	20 Mar 2023 07:15
Last Modified:	20 Mar 2023 07:15
URI:	https://eprints.umpo.ac.id/id/eprint/11328

Actions (login required)

View Item