IMPLEMENTASI CNN MENGGUNAKAN ARSITEKTUR MOBILENETV2 UNTUK KLASIFIKASI PENYAKIT DAN SERANGAN HAMA DAUN JERUK NIPIS

RAMADHANI, GUSTOMO DUTA (2026) IMPLEMENTASI CNN MENGGUNAKAN ARSITEKTUR MOBILENETV2 UNTUK KLASIFIKASI PENYAKIT DAN SERANGAN HAMA DAUN JERUK NIPIS. ["eprint_fieldopt_thesis_type_skripsi" not defined] thesis, Institut Teknologi Nasional Malang.

Text 2218003_Gustomo_laporan v2.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (7MB) | Request a copy

Abstract

Jeruk nipis merupakan salah satu komoditas hortikultura yang rentan terhadap serangan penyakit dan hama pada daun. Keterbatasan akses petani terhadap tenaga ahli menyebabkan proses identifikasi kondisi daun masih sering dilakukan secara manual. Penelitian ini bertujuan menerapkan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 untuk mengklasifikasikan citra daun jeruk nipis ke dalam lima kelas, yaitu Healthy, Leaf Spot, Sooty Mold, Leaf Miner, dan Non-Lime Leaf. MobileNetV2 dipilih karena memiliki arsitektur yang ringan dan efisien melalui penerapan konsep inverted residual dan linear bottleneck, sehingga sesuai untuk diimplementasikan pada sistem klasifikasi berbasis web. Dataset yang digunakan terdiri atas 2.500 citra yang dikumpulkan secara langsung dari lingkungan petani, dengan jumlah 500 citra pada setiap kelas. Tahapan penelitian meliputi preprocessing berupa perubahan ukuran citra menjadi 224 × 224 piksel, normalisasi, dan augmentasi data. Proses pelatihan menggunakan pendekatan transfer learning dengan 70% data sebagai data pengembangan dan 30% data sebagai data pengujian akhir. Data pengembangan dievaluasi menggunakan metode Stratified 5-Fold Cross Validation selama 20 epoch pada setiap fold. Hasil evaluasi menunjukkan bahwa model memperoleh rata-rata accuracy sebesar 95,31% dan rata-rata loss sebesar 0,1494 pada lima fold, dengan accuracy tertinggi sebesar 96,86% pada Fold 1 dan terendah sebesar 92,86% pada Fold 5. Evaluasi akhir menggunakan 750 data pengujian menghasilkan accuracy sebesar 93,87%, precision sebesar 94,25%, recall sebesar 93,87%, dan F1-score sebesar 93,91%. Model yang telah dilatih kemudian diintegrasikan ke dalam sistem berbasis web untuk membantu proses identifikasi awal penyakit dan serangan hama pada daun jeruk nipis.

Item Type:	Thesis (["eprint_fieldopt_thesis_type_skripsi" not defined])
Additional Information:	GUSTOMO DUTA RAMADHANI (2218003)
Uncontrolled Keywords:	CNN, jeruk nipis, klasifikasi citra, MobileNetV2, penyakit daun
Subjects:	Engineering > Informatics Engineering
Divisions:	Fakultas Teknologi Industri > Teknik Informatika S1 > Teknik Informatika S1(Skripsi)
Depositing User:	Gustomo duta ramadhani
Date Deposited:	20 Aug 2026 04:25
Last Modified:	20 Aug 2026 04:25
URI:	http://eprints.itn.ac.id/id/eprint/16410

Actions (login required)

View Item