Sistem Identifikasi dan Prediksi Penyakit pada Daun Tanaman Tomat Berbasis YOLO dan Random Forest

Harzikra, Rafki (2026) Sistem Identifikasi dan Prediksi Penyakit pada Daun Tanaman Tomat Berbasis YOLO dan Random Forest. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) 01.Cover & Abstrak.pdf - Published Version Download (201kB)
	Text (BAB I PENDAHULUAN) 02. BAB I.pdf - Published Version Download (529kB)
	Text (BAB V PENUTUP) 03. BAB V.pdf - Published Version Download (137kB)
	Text (DAFTAR PUSTAKA) 04. Daftar Pustaka.pdf - Published Version Download (201kB)
	Text (Skripsi Fulltext) 05. Skripsi Fulltext.pdf - Published Version Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Kegagalan panen pada tanaman tomat di Indonesia dapat mencapai 78%, yang umumnya disebabkan oleh infeksi penyakit daun seperti bercak coklat (Early Blight), busuk daun (Late Blight), dan bercak septoria (Septoria Leaf Spot). Proses pemantauan visual secara manual yang dilakukan petani seringkali terlambat dan bersifat subjektif. Oleh karena itu, penelitian ini merancang bangun Sistem Diagnostik dan Prediksi Penyakit Daun Tanaman Tomat portabel berbasis kecerdasan buatan dan Internet of Things (IoT). Perangkat keras sistem menggunakan Single Board Computer Raspberry Pi 4 yang terintegrasi dengan Raspberry Pi Cam V2 untuk pemindaian citra visual daun, serta sensor DHT22 dan sensor kelembapan tanah kapasitif untuk mengumpulkan data lingkungan mikro tanaman. Sistem ini menerapkan dua metode komputasi secara bersamaan, yaitu klasifikasi citra penyakit daun menggunakan arsitektur Convolutional Neural Network (CNN) YOLOv5, dan prediksi potensi penyakit berdasarkan suhu udara, kelembapan udara, serta kelembapan tanah menggunakan algoritma Supervised Machine Learning berupa Random Forest. Data hasil identifikasi visual dan prediksi lingkungan tersebut kemudian ditransmisikan menggunakan modul modem 4G ke database cloud (Firebase) agar dapat diakses oleh petani melalui antarmuka website dashboard secara real-time. Hasil pengujian menunjukkan bahwa model YOLOv5 varian small mampu mengidentifikasi kelas penyakit dengan tingkat akurasi sebesar 85,4%, sementara model Random Forest berhasil memprediksi potensi penyakit dengan tingkat akurasi mencapai 97%. Perangkat mampu mengeksekusi kedua model AI tersebut secara lokal (on-device inference) dengan rata-rata waktu proses 7,26 detik, serta delay pengiriman data ke server rata rata 8,8 detik.

Actions (login required)

View Item