Electronic Theses and Dissertation

Penyakit tanaman, khususnya pada tanaman tomat merupakan suatu ancaman yang serius bagi produktivitas pertanian. Produktivitas tanaman tomat seringkali terganggu oleh berbagai jenis penyakit daun. Pendeteksian dini terhadap penyakit daun sangat penting untuk mencegah penularan dan mengurangi kerugian. Penelitian ini dilakukan dengan tujuan mengevaluasi pengaruh teknik CutMix terhadap kinerja model CNN dalam klasifikasi penyakit daun tomat. Model dirancang dengan menggunakan dua metode yaitu tanpa augmentasi dan menggunakan augmentasi CutMix. Dataset terdiri dari 3.600 citra daun tomat yang dibagi ke dalam training, testing, dan validation dengan rasio 80:10:10. Pelatihan dilakukan pada kombinasi hyperparameter yang berbeda. Hasil evaluasi menunjukkan bahwa model CNN tanpa augmentasi memiliki hasil akhir yang lebih tinggi dan akurat dibandingkan model dengan augmentasi. Hal ini menunjukkan bahwa penggunaan teknik augmentasi sangat bergantung pada karakteristik dataset dan konfigurasi pelatihan. Hasil ini harus dipertimbangkan saat memilik teknik augmentasi data untuk embuat sistem deteksi penyakit tanaman yang lebih baik.

Kata Kunci: Deteksi penyakit, Daun tomat, Convolutional Neural Network, CutMix, augmentasi data.

Plant diseases, especially in tomato plants, are a serious threat to agricultural productivity. Tomato plant productivity is often disrupted by various types of leaf diseases. Early detection of leaf diseases is essential to prevent transmission and reduce losses. This study was conducted with the aim of evaluating the effect of the CutMix technique on the performance of the CNN model in classifying tomato leaf diseases. The model was designed using two methods, namely without augmentation and using CutMix augmentation. The dataset consists of 3,600 tomato leaf images divided into training, testing, and validation with a ratio of 80:10:10. Training was carried out on different combinations of hyperparameters. The evaluation results showed that the CNN model without augmentation had higher and more accurate final results than the model with augmentation. This shows that the use of augmentation techniques is highly dependent on the characteristics of the dataset and training configuration. These results should be considered when choosing a data augmentation technique to create a better plant disease detection system. Keywords: Disease detection, Tomato leaves, Convolutional Neural Network, CutMix, Data augmentation.