IDENTIFIKASI PENYAKIT TANAMAN TOMAT MELALUI DAUN DENGAN METODE CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR SQUEEZENET

Akbar Hidayatuloh, - (2018) IDENTIFIKASI PENYAKIT TANAMAN TOMAT MELALUI DAUN DENGAN METODE CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR SQUEEZENET. S1 thesis, Universitas Pendidikan Indonesia.

[img] Text
S_KOM_1405787_Title.pdf

Download (22kB)
[img] Text
S_KOM_1405787_Abstract.pdf

Download (396kB)
[img] Text
S_KOM_1405787_Table_of_Contents.pdf

Download (438kB)
[img] Text
S_KOM_1405787_Chapter1.pdf

Download (137kB)
[img] Text
S_KOM_1405787_Chapter2.pdf
Restricted to Staf Perpustakaan

Download (1MB)
[img] Text
S_KOM_1405787_Chapter3.pdf

Download (578kB)
[img] Text
S_KOM_1405787_Chapter4.pdf
Restricted to Staf Perpustakaan

Download (2MB)
[img] Text
S_KOM_1405787_Chapter5.pdf

Download (286kB)
[img] Text
S_KOM_1405787_Bibliography.pdf

Download (236kB)
[img] Text
S_KOM_1405787_Appendix.pdf
Restricted to Staf Perpustakaan

Download (1MB)
Official URL: http://repository.upi.edu

Abstract

Salah satu permasalahan di bidang agrikultur adalah mengenai penyakit tanaman. Penyakit tanaman dapat menyebabkan menurunnya hasil produksi pertanian. Oleh karenanya, pendeteksian lebih dini dan diagnosis dari penyakit tanaman sangat penting. Penyakit tanaman sering muncul pada bagian daunnya, dan ciri pada daun yang terserang tersebut dapat beragam serta sukar dibedakan. Hal ini menyebabkan sulitnya dilakukan identifikasi penyakit secara otomatis. Peningkatan penggunaan smartphone dan kemajuan di bidang computer vision melalui deep learning telah memungkinkan untuk menghubungkan smartphone sebagai alat bantu dalam mendiagnosis penyakit. Tanaman yang digunakan sebagai studi kasus pada penelitian ini adalah tanaman tomat. Metode yang digunakan yaitu Convolutional Neural Network (CNN). Metode CNN ini memiliki banyak jenis berdasarkan arsitektur yang dibangunnya, salah satunya adalah arsitektur squeezenet. Arsiterktur squeezenet dapat menghasilkan model dengan ukuran yang relatif kecil, sehingga model tersebut dapat diimplementasikan pada perangkat smartphone, komputasi server, dan perangkat mikrokontroler. Pada penelitian ini akan berfokus untuk membangun model berdasarkan arsitektur squeezenet untuk mengklasifikasikan tujuh jenis penyakit tanaman tomat pada daunnya termasuk daun sehat. Model dibangun dengan menggunakan bantuan framework deep learning Keras. Data yang digunakan pada penelitian ini merupakan citra daun tanaman tomat yang didapatkan dari Balai Penelitian Tanaman Sayuran (Balitsa) di Lembang, Jawa Barat. Dengan jumlah untuk setiap kelasnya sebanyak 200 citra. Penelitian ini telah berhasil mendeteksi penyakit tanaman tomat melalui citra daunnya secara otomatis dengan akurasi rataan identifikasi sebesar 86.92%.;--One of the problems in the field of agriculture is plant diseases. Plant diseases can cause a decreasing production. Therefore, early detection and diagnosis of plant diseases is very important. Plant diseases often appear on the leaves, and the characteristics of the affected leaves can be varied and difficult to distinguish. This makes it difficult to identify the disease automatically. Increased smartphone usage and advances in the field of computer vision through deep learning have made it possible to connect smartphones as a tool in diagnosing diseases. Plants used in this study were tomato plants. The method used is Convolutional Neural Network (CNN). CNN method has many types based on the architecture it builds, one of which is squeezenet architecture. Squeezenet architecture can produce a model with a relatively small size, so that the model can be implemented on smartphone devices, server computing, and microcontroller devices. This research will focus on building a model based on squeezenet architecture to classify seven types of tomato plant diseases on the leaves including healthy one. The model was built using the help of Keras deep learning framework. The data used in this study is the image of tomato plant leaves obtained from the Vegetable Crops Research Institute (Balitsa) in Lembang, West Java. With 200 classes for each class. This study has successfully detected tomato plant disease through its leaf image automatically with an average accuracy of identification of 86.92%.

Item Type: Thesis (S1)
Additional Information: No. Panggil : S KOM AKB i-2018; Pembimbing : I. Muhammad Nursalman, II. Eki Nugraha; NIM : 1405787.
Uncontrolled Keywords: penyakit tanaman tomat, convolutional neural network, arsitektur squeezenet, deep learning, computer vision, balitsa, keras, tomato plant disease, convolutional neural network, squeezenet architecture, deep learning, computer vision.
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QK Botany
Divisions: Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User: Cintami Purnama Rimba
Date Deposited: 08 Oct 2019 03:55
Last Modified: 08 Oct 2019 03:55
URI: http://repository.upi.edu/id/eprint/42673

Actions (login required)

View Item View Item