LAILA MUKHRINA AZIZI Primary Author mixed material bibliography Banda Aceh Fakultas MIPA Statistika

Skripsi

Deteksi penyakit pada daun tomat merupakan tantangan besar dalam bidang pertanian, terutama ketika dihadapkan dengan variasi lingkungan seperti pencahayaan, sudut gambar, dan latar belakang yang beragam. Meskipun banyak penelitian sebelumnya menunjukkan bahwa arsitektur deep learning berbasis CNN mampu mendeteksi penyakit tanaman dengan performa tinggi, sebagian besar penelitian tersebut dilakukan dalam kondisi lingkungan yang terkontrol. Penelitian ini mengusulkan pendekatan berbeda dengan fokus pada deteksi penyakit dalam kondisi lingkungan yang tidak terkontrol menggunakan dataset PlantDoc. Pendekatan ini menggabungkan Region Proposal Network (RPN) dan modul attention untuk meningkatkan ketahanan model terhadap variasi lingkungan. Tujuh model CNN, yaitu MobileNetV2, VGG16, VGG19, Xception, DenseNet201, ResNet50, dan InceptionV3, digunakan sebagai ekstraktor fitur dalam arsitektur RPN. Hasil penelitian menunjukkan bahwa tanpa RPN, model dengan performa terbaik adalah DenseNet201, dengan akurasi sebesar 55,81%. Penambahan RPN meningkatkan akurasi menjadi 58,13%, yang menyoroti efektivitas RPN dalam meningkatkan performa deteksi. Peningkatan lebih lanjut dicapai dengan mengintegrasikan modul attention, di mana kombinasi Convolutional Bottleneck Attention Model (CBAM) dan Xception sebagai backbone mencapai akurasi tertinggi sebesar 60,48%. Penelitian ini menyimpulkan bahwa kombinasi RPN dan modul attention secara signifikan meningkatkan akurasi dan ketahanan model terhadap variasi lingkungan, sehingga lebih andal untuk aplikasi di dunia nyata. Kata kunci : Deteksi penyakit tomat, Xception, DenseNet201, Region Proposal Network, Attention Module 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 150723 2025-03-07 14:34:55 2025-03-07 14:39:47 machine generated