Sistem Pendeteksi Jenis Penyakit Pada Tanaman Padi Menggunakan Convolutional Neural Network (CNN)

Anugrah, Fahrul Dwi (2025) Sistem Pendeteksi Jenis Penyakit Pada Tanaman Padi Menggunakan Convolutional Neural Network (CNN). S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Cover dan Abstrak.pdf - Published Version Download (310kB)
	Text (Bab I) Bab I.pdf - Published Version Download (410kB)
	Text (Bab V) Bab V.pdf - Published Version Download (258kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (232kB)
	Text (Tugas Akhir Fulltext) Tugas Akhir Fulltext.pdf - Published Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Untuk menjaga stabilitas ketersediaan pangan dan mencapai ketahanan pangan, Indonesia melakukan impor beras. Beberapa faktor pendorongnya adalah pertumbuhan penduduk dan penyusutan lahan pertanian, berkurangnya jumlah petani, serta gagal panen. Gagal panen dapat diminimalisasi melalui pengendalian hama dan penyakit dengan tepat, tetapi sebagian besar petani tidak memiliki latar belakang ilmu pertanian dan lebih mengandalkan pengetahuan yang berkembang di masyarakat saja yang terkadang tidak selaras dengan praktik pertanian modern. Jenis penyakit padi sangat beragam dan kerap sulit diidentifikasi dan didiagnosis oleh petani karena kurangnya pengetahuan di bidang ini. Proyek tugas akhir ini bertujuan membangun sistem untuk membantu petani dalam mendiagnosis penyakit padi dan merekomendasikan cara pengendaliannya. Sistem ini menggunakan algoritma convolutional neural network (CNN) dengan EfficientNet-Lite3 sebagai model utamanya yang di-deploy pada Raspberry Pi 5. Kelas yang dikenali meliputi bacterial leaf blight, healthy, leaf blast, sheath blight, tungro, dan undefined. Model CNN yang dibangun memperoleh akurasi sebesar 99%. Performa sistem sangat andal pada citra dengan latar sederhana atau objek tunggal namun performa menurun pada citra dengan latar komplek atau terdapat campuran beberapa objek yang tampak jelas. Waktu klasifikasi per citra berkisar antara 0.1528 hingga 0.3175 detik dan jarak optimal yang dibutuhkan agar sistem berjalan dengan baik adalah 5 cm.

Actions (login required)

View Item