Electronic Theses and Dissertation

Abstrak — Klasifikasi penyakit pada daun padi seringkali menjadi tantangan utama karena kualitas gambar yang bervariasi yang diambil di lapangan. Kualitas ini sangat dipengaruhi oleh noise dan kondisi pencahayaan yang tidak seragam. Penelitian ini bertujuan untuk mengevaluasi bagaimana penerapan teknik pra-pemrosesan yang berbeda, khususnya Photometric Normalization, dalam memengaruhi akurasi klasifikasi penyakit pada daun padi. Arsitektur deep learning EfficientNet-B0 dan MobileNetV2 digunakan untuk mengevaluasi kinerja klasifikasi pada dataset sebelum dan sesudah penerapan teknik normalisasi fotometrik. Kumpulan dataset utama terdiri dari 1.800 gambar, dengan tiga penyakit yaitu Brown Spot, Bacterial Leaf Blight, dan Leaf Smut, serta gambar daun sehat (Healthy). Seluruh gambar diperoleh dari repositori publik Kaggle. Teknik pra-pemrosesan yang meliputi Photometric Normalization, Denoising, Enhancement, dan perbaikan pencahayaan diterapkan pada kumpulan dataset menggunakan bahasa pemrograman Python di Google Colab selama pra-pemrosesan. Selanjutnya, efektivitas klasifikasi dievaluasi dan dibandingkan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Temuan penelitian ini memberikan penilaian kuantitatif mengenai pengaruh teknik normalisasi fotometrik terhadap peningkatan akurasi klasifikasi serta menentukan teknik pra-pemrosesan yang paling efektif untuk klasifikasi penyakit daun padi.

Abstract — Disease classification in rice leaves is often a major challenge due to the varying quality of images captured in the field. This quality is greatly affected by noise and non-uniform lighting conditions. This study aims to evaluate how the application of different pre-processing techniques, specifically Photometric Normalization, affects the accuracy of disease classification in rice leaves. The EfficientNet-B0 and MobileNetV2 deep learning architectures are used to evaluate the classification performance on the dataset before and after the application of photometric normalization techniques. The main dataset consists of 1,800 images, with three diseases namely Brown Spot, Bacterial Leaf Blight, and Leaf Smut, as well as images of healthy leaves. All images are obtained from the public repository Kaggle. Pre-processing techniques including Photometric Normalization, Denoising, Enhancement, and lighting correction are applied to the dataset using the Python programming language in Google Colab during pre-processing. Furthermore, the classification effectiveness is evaluated and compared using Accuracy, Precision, Recall, and F1-Score metrics. The findings of this study provide a quantitative assessment of the effect of photometric normalization techniques on improving classification accuracy and determine the most effective pre-processing techniques for rice leaf disease classification.