Electronic Theses and Dissertation

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.

Tomato leaf disease is one of the main factors causing a decline in crop yields. To address this issue, an automated image-based classification system capable of quickly and accurately identifying diseases is required. Deep learning technology offers an effective solution, but its success is highly dependent on the visual quality of the images, which is often compromised by uneven lighting. This study aims to improve the accuracy of tomato leaf disease classification by applying image quality enhancement techniques, namely Adaptive Histogram Equalization (AHE) and Contrast Limited Adaptive Histogram Equalization (CLAHE), to a deep learning model. A total of 5,000 tomato leaf images from five classes were used in this study and processed using the AHE and CLAHE methods, then classified using three deep learning architectures: VGG-19, ResNet-101, and EfficientNet-B0. Model performance evaluation was conducted using a multiclass confusion matrix with accuracy, precision, recall, and F1-score metrics. The results showed that image quality enhancement techniques significantly improved model performance. The best results were obtained from the ResNet-101 model with AHE-processed images achieving an accuracy of 98.80%, and CLAHE with an accuracy of 98.40%. The application of AHE and CLAHE methods proved effective in improving the accuracy of tomato leaf disease classification. Thus, image quality enhancement can be utilized as part of a plant disease classification system to support more efficient and accurate agriculture. Keyword: Classification, Deep Learning, VGG-19, ResNet-101, EfficientNet-B0, Image Quality Improvement, AHE, CLAHE.