IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI PENYAKIT DAUN KOPI PADA APLIKASI MOBILE

Suryani, Beta (2026) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI PENYAKIT DAUN KOPI PADA APLIKASI MOBILE. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (COVER) COVER.pdf - Published Version Download (1MB) | Preview
Preview	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (240kB) | Preview
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (237kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (997kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy
	Text (BAB V PENUTUP) BAB V.pdf - Published Version Restricted to Repository staff only Download (205kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (244kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Serangan hama dan penyakit merupakan salah satu penyebab utama penurunan kualitas dan kuantitas hasil panen secara signifikan. Namun, identifikasi penyakit pada tanaman kopi masih banyak dilakukan melalui pengamatan visual yang bersifat subjektif dan memakan waktu, sehingga menunda penanganan yang efektif. Penelitian ini bertujuan untuk memperoleh model Convolutional Neural Network (CNN) yang optimal untuk klasifikasi penyakit daun kopi serta menghasilkan kombinasi hyperparameter terbaik untuk diimplementasikan pada aplikasi mobile. Dataset yang digunakan terdiri dari tujuh kelas penyakit daun kopi dengan total 2.589 citra yang dibagi menjadi 2.220 citra data pelatihan (training), 182 citra data validasi (validation), dan 187 citra data pengujian (testing). Penelitian dilakukan dengan menggunakan tiga arsitektur CNN, yaitu MobileNetV2, ResNet50, dan Xception, menggunakan 48 kombinasi hyperparameter. Hasil pengujian menunjukkan bahwa ResNet50 dan Xception memperoleh accuracy sebesar 95,2%, sedangkan MobileNetV2 memperoleh accuracy sebesar 93,6%. Konfigurasi terbaik diperoleh pada model Xception dengan status layer unfrozen, learning rate 0,0001, batch size 32, dan dropout rate 0,2 yang menghasilkan akurasi validasi sebesar 98,35%, serta akurasi 87,88% pada pengujian menggunakan 33 citra eksternal. Berdasarkan hasil tersebut, Xception dipilih sebagai model yang paling optimal dan berhasil diimplementasikan pada aplikasi Android menggunakan Flutter dan TensorFlow Lite untuk membantu proses identifikasi penyakit daun kopi.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Penyakit Daun Kopi; Convolutional Neural Network (CNN); Xception; Klasifikasi citra; Aplikasi Android
Subjects:	T Technology > T Technology (General)
Divisions:	Computer Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Komputer
Date Deposited:	12 Aug 2026 16:13
Last Modified:	12 Aug 2026 16:13
URI:	http://eprints.polsri.ac.id/id/eprint/24393

Actions (login required)

View Item