KLASIFIKASI JENIS PENYAKIT DAUN TEH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR INCEPTIONV3

MAGHFIRAH, LIDYA ERIKA (2026) KLASIFIKASI JENIS PENYAKIT DAUN TEH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR INCEPTIONV3. Other thesis, Universitas Nurul Jadid.

Text SKRIPSI_LIDYA ERIKA MAGHFIRAH_2221400067_IF.pdf Restricted to Registered users only Download (9MB) | Request a copy

Abstract

Tanaman teh (Camellia sinensis) merupakan komoditas perkebunan strategis di Indonesia, namun produktivitasnya sering terganggu oleh serangan penyakit daun seperti Algal Spot, Brown Blight, Gray Blight, dan Red Spot. Proses identifikasi penyakit selama ini masih mengandalkan pengamatan visual petani atau tenaga ahli serta bersifat subjektif, tidak konsisten, dan bergantung pada ketersediaan tenaga ahli yang terbatas. Perkembangan deep learning, khususnya Convolution-al Neural Network (CNN), membuka peluang diagnosis otomatis berbasis citra digital, namun masih bersifat black box dan model tersebut menyulitkan verifi-kasi dasar pengambilan keputusannya. Penelitian ini bertujuan menganalisis kinerja model CNN dengan arsitektur InceptionV3 berbasis transfer learning da-lam mengklasifikasikan lima kondisi daun teh (Algal Spot, Brown Blight, Gray Blight, Healthy, dan Red Spot) berdasarkan citra digital, menginterpretasikan hasil klasifikasi secara visual menggunakan metode Gradient-weighted Class Ac-tivation Mapping (Grad-CAM), serta mengimplementasikan model klasifikasi ke dalam prototipe aplikasi berbasis web menggunakan framework Flask sebagai media demonstrasi hasil prediksi dan visualisasi Grad-CAM. Dataset yang digunakan berjumlah 2.500 citra dari Kaggle, dibagi menjadi 2.000 citra data latih, 250 citra data validasi, dan 250 citra data uji dengan rasio 80:10:10. Proses pelatihan dilakukan melalui dua tahap, yaitu feature extraction dengan maksi-mum 20 epoch dan fine-tuning dengan maksimum 20 epoch menggunakan Early Stopping, sehingga pelatihan tahap kedua berhenti pada epoch ke-18. Hasil ek-sperimen menunjukkan model mencapai test accuracy 97%, precision 97%, re-call 97%, dan F1-Score 97% pada data uji. Visualisasi Grad-CAM menunjukkan model secara konsisten memusatkan perhatian pada area bercak dan perubahan warna daun yang menjadi gejala utama tiap penyakit, sehingga proses klasifikasi tidak lagi bersifat black box. Model tersebut juga berhasil diimplementasikan ke dalam prototipe aplikasi berbasis web menggunakan framework Flask, se-bagaimana ditunjukkan pada pengujian sistem terhadap citra Gray Blight dengan confidence score sebesar 99,89%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, Grad-CAM, InceptionV3, Klasifikasi Penyakit Daun Teh, Transfer Learning.
Subjects:	S Agriculture > SB Plant culture T Technology > T Technology (General)
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Unnamed user with email [email protected]
Date Deposited:	31 Oct 2026 00:38
Last Modified:	31 Oct 2026 00:38
URI:	https://repository.unuja.ac.id/id/eprint/5828

Actions (login required)

View Item