Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

210401075

Judul :

Klasifikasi Penyakit pada Citra Daun Kentang Menggunakan CNN dengan Arsitektur EfficientNetB3

Penulis :

M. RAIHAN ARYADEVIN

Abstrak :

Tanaman kentang merupakan komoditas hortikultura penting di Indonesia yang produktivitasnya sering menurun akibat serangan penyakit daun seperti early blight dan late blight. Deteksi dini penyakit sangat diperlukan untuk mencegah kerugian hasil panen, namun proses identifikasi secara manual masih bergantung pada pengalaman petani dan memerlukan waktu yang relatif lama. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit daun kentang berbasis citra menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur EfficientNetB3. Dataset yang digunakan berjumlah 4.072 citra daun kentang yang diperoleh dari Kaggle dan terbagi ke dalam tiga kelas, yaitu healthy, early blight, dan late blight. Tahapan penelitian meliputi preprocessing citra berupa resize menjadi 300×300 piksel, normalisasi, augmentasi data, serta pemisahan data dengan beberapa skema pengujian, yaitu 90:10, 80:20, 70:30, 60:40, dan 50:50. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, f1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa arsitektur EfficientNetB3 pada skema pembagian data 80:20 mampu menghasilkan akurasi tertinggi sebesar 98%, dengan performa klasifikasi yang konsisten pada seluruh kelas. Hasil ini menunjukkan bahwa EfficientNetB3 efektif digunakan sebagai solusi deteksi dini penyakit daun kentang secara cepat dan akurat.

Abstrak Inggris :

Potato plants are an important horticultural commodity in Indonesia, whose productivity is often reduced by leaf diseases such as early blight and late blight. Accurate early detection is crucial to prevent yield losses; however, manual identification still depends heavily on farmers’ experience and is time-consuming. This study aims to develop an optimal image-based potato leaf disease classification model using a Convolutional Neural Network (CNN) with the EfficientNetB3 architecture. The dataset used consists of 4,072 potato leaf images obtained from Kaggle and is divided into three classes: healthy, early blight, and late blight. The research methodology includes image preprocessing such as resizing to 300×300 pixels, normalization, data augmentation, and dataset splitting using five evaluation schemes: 90:10, 80:20, 70:30, 60:40, and 50:50. Model performance is evaluated using accuracy, precision, recall, f1-score, and a confusion matrix. Experimental results show that the EfficientNetB3 model with an 80:20 data split achieves the highest accuracy of 98%, demonstrating consistent and robust classification performance across all classes. These findings indicate that EfficientNetB3 is an effective and efficient approach for early detection of potato leaf diseases.

Tahun :

2026

Cover :

Bab 1 :

Bab 2 :

Bab 3 :

Bab 4 :