APLIKASI DETEKSI PENYAKIT PADA DAUN TANAMAN KUNYIT BERBASIS ANDROID MENGGUNAKAN CNN DAN HDLC

Prayoga, Ade Dwi (2026) APLIKASI DETEKSI PENYAKIT PADA DAUN TANAMAN KUNYIT BERBASIS ANDROID MENGGUNAKAN CNN DAN HDLC. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (Cover) COVER01.pdf - Published Version Download (1MB) | Preview
	Text (Abstrak) ABSTRAK.pdf - Published Version Download (393kB)
	Text (Bab I) BAB 1.pdf - Published Version Restricted to Repository staff only Download (312kB)
	Text (Bab II) BAB II.pdf - Published Version Restricted to Repository staff only Download (1MB)
	Text (Bab III) BAB III.pdf - Published Version Restricted to Repository staff only Download (1MB)
	Text (Bab IV) BAB IV.pdf - Published Version Restricted to Repository staff only Download (2MB)
	Text (Bab V) BAB V.pdf - Published Version Restricted to Repository staff only Download (300kB)
	Text (Daftar Pustaka) DAFTARPUSTAKA.pdf - Published Version Restricted to Repository staff only Download (344kB)
	Text (Lampiran) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (2MB)

Abstract

Penyakit pada daun kunyit (Curcuma longa) seperti Aphids Disease, Blotch, dan Leaf Spot merupakan masalah yang dapat menurunkan kualitas tanaman dan hasil panen apabila tidak dideteksi sejak dini. Proses deteksi secara manual sering kali membutuhkan keahlian khusus dan rentan terhadap kesalahan. Penelitian ini bertujuan mengembangkan aplikasi Android bernama DeLeaf yang mampu mendeteksi penyakit daun kunyit secara otomatis menggunakan algoritma Convolutional Neural Network (CNN) dan metode pengembangan Hybrid Design Life Cycle (HDLC). Model yang digunakan adalah Custom CNN yang dirancang dan dilatih dari awal menggunakan dataset empat kelas daun kunyit, melalui tahapan preprocessing seperti resizing ke 224×224 piksel, normalisasi, dan augmentasi. Pelatihan dilakukan hingga 50 epoch di lingkungan Google Colab, kemudian model dikonversi ke TensorFlow Lite dan diintegrasikan ke aplikasi menggunakan bahasa Kotlin, serta dilengkapi penyimpanan riwayat berbasis SQLite. Hasil pengujian menunjukkan bahwa model Custom CNN mencapai akurasi 92,5% pada pengujian di Google Colab dan 90% saat digunakan di aplikasi Android, dengan waktu inferensi rata-rata sekitar tiga detik per gambar. Evaluasi fungsional berbasis blackbox menunjukkan bahwa seluruh fitur aplikasi berjalan sesuai dengan perancangan, sementara pengujian kelayakan menggunakan System Usability Scale (SUS) menghasilkan skor rata-rata 77,25 yang termasuk kategori Good – Acceptable. Dengan demikian, aplikasi DeLeaf dinilai mampu memberikan deteksi penyakit daun kunyit secara cepat, akurat, dan mudah digunakan pada perangkat mobile.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	CNN, TensorFlow Lite, Android, Penyakit Daun Kunyit, HDLC, SUS
Subjects:	T Technology > T Technology (General)
Divisions:	Computer Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Komputer
Date Deposited:	06 Jan 2026 07:30
Last Modified:	06 Jan 2026 07:30
URI:	http://eprints.polsri.ac.id/id/eprint/21804

Actions (login required)

View Item