Implementasi Sistem Klasifikasi Penyakit Daun Tomat berbasis Deep Learning pada Raspberry Pi 5

Rozi, Fitria (2025) Implementasi Sistem Klasifikasi Penyakit Daun Tomat berbasis Deep Learning pada Raspberry Pi 5. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Cover & Abtraks.pdf - Published Version Restricted to Repository staff only Download (279kB) | Request a copy
	Text (BAB I PENDAHULUAN) BAB 1 Pendahuluan.pdf - Published Version Restricted to Repository staff only Download (233kB) | Request a copy
	Text (BAB V PENUTUP) BAB V Penutup.pdf - Published Version Restricted to Repository staff only Download (220kB) | Request a copy
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Repository staff only Download (214kB) | Request a copy
	Text (SKRIPSI FULLTEXT) Tugas Akhir Fulltext.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Penyakit daun tomat dapat menurunkan hasil produksi secara signifikan. Penelitian ini bertujuan mengembangkan sistem klasifikasi penyakit daun tomat berbasis deep learning yang efisien secara komputasi dan dapat diimplementasikan secara real-time menggunakan Raspberry Pi 5 dengan dukungan Hailo AI Kit. Model yang digunakan adalah MobileNet, yang dilatih dengan dua jenis dataset yaitu dataset publik Mendeley dan dataset sampel asli yang telah diperluas melalui proses aug-mentasi. Sistem dirancang mampu mengklasifikasikan 10 kategori kelas daun tomat secara real-time menggunakan kamera Raspberry Pi, dengan hasil prediksi dan akurasinya ditampilkan melalui LCD. Pelatihan dengan dataset Mendeley menghasilkan akurasi data pelatihan tinggi 98,42%, f1-score 0,9841, dan kurva ROC/AUC sempurna. Pengujian pada citra lapangan menunjukkan model mampu mengenali seluruh kelas penyakit, dengan rata-rata akurasi besar dari 90% namun ada 2 kelas yang tidak yaitu kelas Tomato Mosaic Virus 85,92% dan Tomato Septo-ria Leaf Spot 64,91% akibat keterbatasan dalam mengenali fitur visual yang ber-beda dari data pelatihan. Pelatihan model dengan dataset sampel asli yang diaug-mentasi 100 hingga 500 gambar/kelas menunjukkan akurasi 100%, f1-score 1.00 dan dan kurva ROC/AUC sempurna. Interferensi model yang dijalankan pada Raspberry Pi 5 juga berhasil mempertahankan ketepatan klasifikasi di semua kate-gori yang membuktikan efektivitas augmentasi data dalam meningkatkan kemam-puan generalisasi model. Pengujian di lapangan menunjukkan sistem mampu mengenali 10 kelas dengan akurasi yang bervariasi. Perbedaan akurasi prediksi terjadi akibat perbedaan pola visual antara citra uji lapangan dengan data pelatihan, bukan karena suhu tinggi. Dengan demikian, sistem berhasil dikembangkan dan diterapkan di perangkat Raspberry Pi 5, namun penerapan real-time belum sepenuhnya akurat di kondisi lapangan.

Actions (login required)

View Item