Sadinal Mufti Primary Author mixed material bibliography Banda Aceh Fakultas mipa 2026 id Indonesia

Skripsi

Penyakit tanaman menjadi salah satu tantangan utama dalam pertanian modern karena dapat menyebabkan penurunan produktivitas dan kualitas hasil panen. Penelitian ini mengembangkan model Multitask Convolutional Neural Network (CNN) dengan self-attention mechanism untuk melakukan klasifikasi otomatis jenis tanaman dan penyakit daun secara bersamaan. Model dirancang menggunakan tiga convolutional blocks dengan penerapan Squeeze-and-Excitation (SE) attention blocks untuk meningkatkan kemampuan ekstraksi fitur yang relevan. Sistem ini mampu mengklasifikasikan lima jenis tanaman, yaitu cabai, jagung, kentang, padi, dan tomat, serta empat belas jenis penyakit daun dengan total 22 kombinasi tanaman–penyakit yang valid. Dataset yang digunakan terdiri dari 14.801 citra daun yang dibagi secara stratified ke dalam data pelatihan (72%), validasi (18%), dan pengujian (10%). Proses pelatihan dilakukan menggunakan optimizer Adam yang dikombinasikan dengan learning rate scheduler dan early stopping untuk meningkatkan stabilitas pelatihan serta mengurangi risiko overfitting. Evaluasi pada data uji menunjukkan performa yang sangat baik dengan akurasi klasifikasi tanaman-penyakit sebesar 98,31% (1.456 prediksi benar dari 1.481 data uji), akurasi klasifikasi tanaman sebesar 99,53%, dan akurasi klasifikasi penyakit sebesar 98,72%. Model juga menunjukkan efisiensi komputasi yang tinggi dengan jumlah parameter sebanyak 136.291, ukuran model sebesar 1,64 MB, serta waktu inferensi rata-rata 57,92 ms per citra atau sekitar 17 citra per detik. Model selanjutnya diintegrasikan ke dalam aplikasi mobile berbasis Android menggunakan Flutter dan TensorFlow Lite, sehingga memungkinkan proses klasifikasi penyakit tanaman dilakukan secara langsung di lapangan tanpa memerlukan koneksi internet. Kata kunci: Klasifikasi penyakit tanaman, Multi-task learning, Self-attention, CNN, Implementasi Android, Tensorflow lite NEURAL NETWORKS (COMPUTER SCIENCE) 006.32 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1712329 2026-02-24 14:20:31 2026-02-25 10:05:19 machine generated