Implementasi Metode Convolutional Neural Network dengan Algoritma Ensemble untuk Sistem Pendeteksi Penyakit pada Tanaman Padi

Risqullah Rais, Rico (2025) Implementasi Metode Convolutional Neural Network dengan Algoritma Ensemble untuk Sistem Pendeteksi Penyakit pada Tanaman Padi. S1 thesis, Universitas Muhammadiyah Ponorogo.

	Text (SURAT PERSETUJUAN UNGGAH KARYA ILMIAH) SURAT PERSETUJUAN UNGGAH KARYA ILMIAH.pdf Download (163kB)
	Text (HALAMAN DEPAN) HALAMAN DEPAN.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (679kB)
	Text (BAB II) BAB II.pdf Restricted to Repository staff only Download (869kB) | Request a copy
	Text (BAB III) BAB III.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB IV) BAB IV.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V) BAB V.pdf Restricted to Repository staff only Download (663kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf Download (673kB)
	Text (LAMPIRAN) LAMPIRAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text (SKRIPSI FULL TEXT) SKRIPSI FULL TEXT.pdf Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Padi sebagai salah satu tanaman pangan utama di Indonesia sering kali menghadapi ancaman penyakit yang dapat menurunkan hasil panen. Pendeteksian penyakit secara manual membutuhkan waktu lama dan keahlian khusus, sehingga diperlukan solusi berbasis teknologi untuk meningkatkan efisiensi dan akurasi. Penelitian ini bertujuan mengembangkan sistem pendeteksi penyakit pada tanaman padi menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan algoritma ensemble. Sistem ini memanfaatkan tiga arsitektur CNN, yaitu ResNet50, EfficientNetB3, dan MobileNetV2, yang digabungkan melalui teknik ensemble untuk meningkatkan akurasi klasifikasi. Dataset yang dimanfaatkan berisi sebanyak 14.148 gambar daun tanaman padi, yang terbagi ke dalam enam kategori berbeda, yaitu: Bacterial Leaf Blight, Brown Spot, Leaf Blast, Leaf Scald, daun sehat, dan Narrow Brown Spot. Proses pengembangan meliputi tahap pra-pemrosesan, pelatihan model, validasi, dan pengujian menggunakan platform Flask untuk implementasi berbasis web. Hasil penelitian menunjukkan bahwa model ensemble mencapai akurasi validasi sebesar 97,64%. Sistem ini terbukti efektif dalam mengidentifikasi penyakit dengan cepat dan akurat, memberikan solusi praktis bagi petani untuk memantau kesehatan tanaman padi dan meminimalkan kerugian akibat gagal panen.

Item Type:	Thesis (S1)
Uncontrolled Keywords:	Convolutional Neural Network, Algoritma Ensemble, ResNet50, EfficientNetB3, MobileNetV2
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering > Department of Informatic Engineering
Depositing User:	Rico Risqullah Rais
Date Deposited:	05 Nov 2025 01:46
Last Modified:	05 Nov 2025 01:46
URI:	https://eprints.umpo.ac.id/id/eprint/17318

Actions (login required)

View Item