AKHRI HABIB HAWARI - 17201119 Primary Author Syarif Hidayatulloh, S.T., M.Kom (Pembimbing) Editor mixed material bibliography Universitas ARS 2024 id Indonesia

Skripsi

ABSTRAK Penyakit pada daun padi merupakan salah satu faktor utama yang dapat menurunkan produktivitas pertanian di Indonesia. Deteksi penyakit secara manual memiliki keterbatasan dalam hal kecepatan dan akurasi, terutama dalam jumlah tanaman yang diperiksa banyak. Maka, diperlukan metode yang lebih efisien dalam mengidentifikasi jenis penyakit daun padi. Convolutional Neural Network (CNN) dikenal efektif dalam klasifikasi gambar dan memiliki model arsitektur yang banyak, sehingga digunakan dalam penelitian ini untuk membandingkan tiga arsitektur CNN, yaitu VGG-16, DenseNet-201, dan ResNet-152v2 dalam mengklasifikasikan jenis penyakit daun padi. Penelitian ini menggunakan dataset citra daun padi dengan empat kelas: brown spot, leaf brown, hawar, dan daun sehat. Dataset ini dibagi menjadi data training, validation, dan testing dan setiap arsitektur dilatih menggunakan 10 epoch untuk membandingkan akurasinya. Hasil menunjukan bahwa DenseNet-201 memiliki nilai akurasi tertinggi sebesar 92%, diikuti oleh VGG-16 dengan 90%, dan ResNet-152v2 dengan 70%. Penelitian ini menunjukan bahwa DenseNet-201 lebih efektif dalam mengklasifikasikan jenis penyakit daun padi. NONE Digital Library ARS University Perpustakan Online ARS University 006/S1.TI.SKP/2024 S03526K Teknik Informatika 006/S1.TI.SKP/2024 Bab 1 Bab 3 Bab 5 DAFTAR PUSTAKA 8693 2026-05-12 14:09:28 2026-05-12 14:10:27 machine generated