Electronic Theses and Dissertation

Pisang (musa paradisiaca) merupakan komoditas strategis dalam perekonomian Indonesia, namun produktivitasnya menurun akibat serangan penyakit daun seperti Cordana Leaf Spot dan Sigatoka. Penyakit ini menyebabkan terganggunya fotosintesis dan penurunan kualitas buah. Segmentasi citra berbasis deep learning, khususnya menggunakan arsitektur U-Net, menawarkan pendekatan yang lebih presisi dalam mendeteksi dan memetakan area infeksi dibandingkan metode klasifikasi konvensional. Penelitian ini bertujuan untuk mengevaluasi kinerja model U-Net dalam melakukan segmentasi citra daun pisang yang terinfeksi dua jenis penyakit tersebut. Dataset citra dikumpulkan secara langsung dari perkebunan di Aceh Besar sebanyak 473 citra, terdiri dari 225 citra Cordana Leaf Spot dan 248 citra Sigatoka. Proses pre-processing dilakukan melalui cropping, remove background, pelabelan manual, dan augmentasi data menggunakan tujuh teknik transformasi (horizontal flip, vertical flip, rotasi, noise, blur, brightness, contrast, dan hue saturation) untuk meningkatkan jumlah dataset menjadi 5676. Pelatihan model dilakukan dengan konfigurasi tiga variasi learning rate 10⁻³, 10⁻⁴, 10⁻⁵ selama 200 epoch menggunakan arsitektur U-Net. Hasil evaluasi menunjukkan bahwa model U-Net dengan dataset augmentasi dan learning rate 10⁻³ memberikan kinerja terbaik pada data uji, dengan nilai Dice Coefficient sebesar 0.9405, mIoU sebesar 0.8782, Accuracy sebesar 0.9825, Precision sebesar 0.9498, dan Recall sebesar 0.9315. Model ini juga menunjukkan keunggulan signifikan dibandingkan pendekatan klasifikasi terdahulu seperti DenseNet121, Xception, MobileNetV2 dan InceptionV3. Selain itu, augmentasi data terbukti efektif dalam meningkatkan generalisasi dan mengurangi overfitting. Visualisasi hasil segmentasi memperlihatkan bahwa konfigurasi learning rate 10⁻³ dan 10⁻⁴ secara konsisten mampu memetakan pola lesi penyakit dengan baik. Penelitian ini menyimpulkan bahwa model U-Net efektif digunakan untuk segmentasi penyakit daun pisang dan memiliki potensi untuk dikembangkan lebih lanjut sebagai bagian dari sistem deteksi otomatis berbasis citra di sektor pertanian.

Banana (musa paradisiaca) is a strategic agricultural commodity in Indonesia, yet its productivity is declining due to leaf diseases such as Cordana Leaf Spot and Sigatoka. These diseases disrupt photosynthesis and reduce fruit quality. Image segmentation using deep learning, particularly with the U-Net architecture, offers a more precise approach in detecting and mapping infected areas compared to conventional classification methods. This research aims to evaluate the performance of the U-Net model in segmenting banana leaf images infected with these two disease types. A total of 473 images were collected directly from banana plantations in Aceh Besar, consisting of 225 Cordana Leaf Spot and 248 Sigatoka samples. Pre-processing steps included cropping, background removal, manual pixel-wise labeling, and data augmentation using seven transformation techniques (horizontal flip, vertical flip, rotation, noise, blur, brightness-contrast, and hue-saturation), resulting in an expanded dataset of 5,676 images. The model was trained using three learning rate configurations 10⁻³, 10⁻⁴, 10⁻⁵ over 200 epochs with the U-Net architecture. The evaluation results show that the U-Net model trained on augmented data with a learning rate of 10⁻³ achieved the best performance on the testing set, with a Dice Coefficient of 0.9405, mean Intersection over Union (mIoU) of 0.8782, Accuracy of 0.9825, Precision of 0.9498, and Recall of 0.9315. This model significantly outperforms previous classification-based approaches such as DenseNet121, Xception, MobileNetV2, and InceptionV3. Furthermore, data augmentation proved to be effective in enhancing model generalization and reducing overfitting. Visualization of segmentation results demonstrated that learning rates of 10⁻³ and 10⁻⁴ consistently produced accurate mapping of lesion shapes and sizes. This study concludes that the U-Net model is effective for segmenting banana leaf diseases and holds potential for further development as part of an image-based automatic detection system in the agricultural sector.