APLIKASI LEAFXPERT UNTUK DETEKSI PENYAKIT DAUN TANAMAN CABAI MENGGUNAKAN ALGORITMA YOU ONLY LOOK ONCE

Rahman, Muhammad Rifki (2026) APLIKASI LEAFXPERT UNTUK DETEKSI PENYAKIT DAUN TANAMAN CABAI MENGGUNAKAN ALGORITMA YOU ONLY LOOK ONCE. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (950kB)
	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (142kB)
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (147kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (327kB) | 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 (617kB) | Request a copy
	Text (BAB V PENUTUP) BAB V.pdf - Published Version Restricted to Repository staff only Download (98kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (124kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Penyakit pada daun tanaman cabai merupakan salah satu faktor yang dapat menurunkan kualitas pertumbuhan tanaman sehingga diperlukan suatu sistem yang mampu membantu proses identifikasi penyakit secara cepat dan akurat. Penelitian ini bertujuan mengembangkan aplikasi LeafXpert berbasis Android yang mampu mendeteksi penyakit daun cabai secara real-time menggunakan algoritma You Only Look Once versi 8 Nano (YOLOv8n). Pengembangan sistem diawali dengan pengumpulan dan pengolahan dataset citra daun cabai yang terdiri atas lima kelas, yaitu healthy, bacterial spot, cercospora, leaf blight, dan leaf curl. Selanjutnya dilakukan proses pelatihan model menggunakan framework Ultralytics YOLOv8n, kemudian model terbaik dikonversi ke format TensorFlow Lite agar dapat diimplementasikan pada perangkat Android. Pengujian dilakukan terhadap performa model serta fungsionalitas aplikasi menggunakan metode Black Box Testing. Hasil penelitian menunjukkan bahwa model YOLOv8n memperoleh nilai Precision sebesar 97,9%, Recall sebesar 98,0%, mAP50 sebesar 98,2%, dan mAP50-95 sebesar 85,4%, serta seluruh fitur aplikasi berhasil berjalan sesuai dengan rancangan. Aplikasi mampu menampilkan hasil deteksi beserta nilai confidence, informasi penyakit, penyebab, penanganan, dan riwayat hasil deteksi sehingga dapat mendukung proses identifikasi penyakit daun cabai secara praktis melalui perangkat bergerak. Penelitian selanjutnya diharapkan dapat mengembangkan sistem dengan menambah variasi dataset, meningkatkan kemampuan deteksi pada kondisi lingkungan yang lebih beragam, serta mengintegrasikan aplikasi dengan teknologi cloud atau Internet of Things (IoT) agar dapat mendukung pemantauan kesehatan tanaman secara lebih komprehensif.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Android, Deteksi Penyakit Daun Cabai, Deep Learning, TensorFlow Lite, YOLOv8n
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	02 Oct 2026 02:02
Last Modified:	02 Oct 2026 02:02
URI:	http://eprints.polsri.ac.id/id/eprint/27188

Actions (login required)

View Item