Annisa Lathifa Primary Author mixed material bibliography Banda Aceh Fakultas mipa 2025

Skripsi

Penduduk Indonesia menjadikan nasi dari padi (Oryza sativa) sebagai kebutuhan pangan pokok keseharian. Hal ini membuat padi sangat penting dan perlu dalam jumlah yang besar. Produksi padi menjadi salah satu utama dalam faktor upaya dalam ketahanan pangan nasional. Produktivitas padi sering mengalami tantangan yang serius, salah satunya dampak dari serangan penyakit dan hama. Contohnya, munculnya bercak, perubahan warna, dan lainnya. Petani melakukan deteksi dini masih secara manual yang mengakibatkan banyaknya waktu yang dihabiskan untuk memeriksa kondisi lahannya. Penelitian ini, memanfaatkan teknologi Artificial Intelligence (AI) untuk melakukan deteksi dini penyakit padi. Arsitektur Convolution Neural Network (CNN) yang digunakan adalah InceptionResNet-V2 dan DenseNet-121, yang dimana akan dibandingkan keduanya untuk mengklasifikasi penyakit padi. Selanjutnya, tantangan yang lain adalah dataset yang digunakan berjumlah 592 citra dengan 4 label, yaitu blast, blight, normal, dan tungro. Implementasi dari model InceptionResNet-V2 dan DenseNet-121 menggunakan framework Streamlit berhasil melakukan deteksi penyakit padi. Dari hasil eksprerimen yang dilakukan didapatkan hasil, seperti nilai akurasi validasi, akurasi pengujian, dan gap loss. Gap loss adalah selisih dari nilai akurasi validasi dan akurasi pelatihan. Model InceptionResNet-V2 memiliki akurasi validasi sebesar 93.33%, akurasi pengujian 91.38%, dan gap loss 0.1162. Model DenseNet-121 memiliki akurasi validasi sebesar 98.33%, akurasi pengujian 89.66%, dan gap loss 0.054. Berdasarkan hasil dari kedua model tersebut, bahwa akurasi yang dimiliki kedua model tinggi. Semakin tinggi akurasi suatu model, semakin bagus juga model tersebut. Namun, pada gap loss nilai yang dimiliki kedua model cukup jauh jaraknya. Semakin tinggi gap loss yang dimiliki model, maka rentan terjadi overfitting. Model DenseNet-121 memiliki nilai gap loss lebih rendah dibandingkan model InceptionResNet-V2. Oleh karena itu, pada kasus klasifikasi penyakit padi model DenseNet-121 lebih baik kinerjanya dibandingkan InceptionResNet-V2. Kata kunci : Deep Learning, DenseNet-121, Image Recognition, Padi, Penyakit Tanaman, InceptionResNet-V2 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1705399 2025-10-28 10:43:30 2025-10-28 10:47:59 machine generated