ELSA AUDINA Primary Author mixed material bibliography Banda Aceh Fakultas Teknik 2025

Skripsi

Penyakit pada daun tomat merupakan salah satu faktor utama yang menyebabkan penurunan hasil panen. Untuk mengatasi hal ini, dibutuhkan sistem klasifikasi otomatis berbasis citra yang mampu mengenali penyakit secara cepat dan akurat. Teknologi deep learning menawarkan solusi yang efektif, namun keberhasilannya sangat dipengaruhi oleh kualitas visual citra yang sering terganggu oleh pencahayaan tidak merata. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi penyakit daun tomat dengan menerapkan teknik peningkatan kualitas citra, yaitu Adaptive Histogram Equalization (AHE) dan Contrast Limited Adaptive Histogram Equalization (CLAHE), pada model deep learning. Sebanyak 5.000 citra daun tomat dari lima kelas digunakan dalam penelitian ini dan diproses menggunakan metode AHE dan CLAHE, kemudian diklasifikasikan menggunakan tiga arsitektur deep learning, yaitu VGG-19, ResNet-101, dan EfficientNet-B0. Evaluasi kinerja model dilakukan menggunakan confusion matrix multiclass dengan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa teknik peningkatan kualitas citra mampu meningkatkan performa model secara signifikan. Hasil terbaik diperoleh dari model ResNet-101 dengan citra hasil AHE yang mencapai akurasi 98,80%, dan CLAHE dengan akurasi 98,40%. Penerapan metode AHE dan CLAHE terbukti efektif dalam meningkatkan akurasi klasifikasi penyakit daun tomat. Dengan demikian, peningkatan kualitas citra dapat dimanfaatkan sebagai bagian dari sistem klasifikasi penyakit tanaman untuk mendukung pertanian menjadi lebih efisien dan akurat. Kata Kunci: Klasifikasi, Deep Learning, VGG-19, ResNet-101, EfficientNet-B0, Peningkatan Kualitas Citra, AHE, CLAHE. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 161193 2025-07-15 08:06:13 2025-07-15 09:17:18 machine generated