Electronic Theses and Dissertation

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

Detecting diseases on tomato leaves is a major challenge in agriculture, especially when dealing with environmental variations such as lighting, image angles, and diverse backgrounds. Although many previous studies have show that deep learning architectures based on CNNs can detect plant diseases with high performance, most of these studies were conducted under controlled environmental conditions. This study proposes a different approach by focusing on disease detection in uncontrolled environmental conditions using the PlantDoc dataset. The approach combines Region Proposal Network (RPN) and attention modules to enhance the model’s resilience against environmental variations. Seven CNN model, namely MobileNetV2, VGG16, VGG19, Xception, DenseNet201, ResNet50, and InceptionV3, were used as feature extractors in the RPN architecture. The result showed that without RPN, the best performing model was DenseNet201, achieving an accuracy of 55.81%. Adding RPN improved accuracy to 58.13%, highlighting the effectiveness of RPN in enhancing detection performance. Further improvements were achieved by incorporating attention modules, where the combination of the Convolutional Bottleneck Attention Model (CBAM) and Xception as the backbone achieved the highest accuracy of 60.48%. This study concludes that the combination of RPN and attention modules significantly enhances the accuracy and robustness of the model against environmental variations, making it more reliable for real world applications Keywords: Tomato disease detection, Xception, DenseNet201, Region Proposal Network, Attention Module