PENERAPAN METODE TRANSFER LEARNING DALAM KLASIFIKASI PENYAKIT BUAH TERONG MENGGUNAKAN ARSITEKTUR DENSENET-201

Rojandra, Hajar (2026) PENERAPAN METODE TRANSFER LEARNING DALAM KLASIFIKASI PENYAKIT BUAH TERONG MENGGUNAKAN ARSITEKTUR DENSENET-201. Skripsi (Bachelor) thesis, Universitas Muhammadiyah Bengkulu.

[img] Text (Fulltext)
HAJAR ROJANDRA_2255201161_Fulltext (2).pdf - Submitted Version
Restricted to Repository staff only
Download (2MB) | Request a copy
[img] Text (Turnitin)
HAJAR ROJANDRA_2255201161_Turnitin.pdf - Submitted Version
Restricted to Repository staff only
Download (12MB) | Request a copy
[img] Text (ABSTRAK + BAB 1)
HAJAR ROJANDRA_2255201161_ABSTRAK + BAB 1.pdf - Submitted Version
Download (66kB)
[img] Text (BAB 2)
HAJAR ROJANDRA_2255201161_BAB 2.pdf - Submitted Version
Download (450kB)
[img] Text (BAB 3)
HAJAR ROJANDRA_2255201161_BAB 3.pdf - Submitted Version
Restricted to Repository staff only
Download (695kB) | Request a copy
[img] Text (BAB 4)
HAJAR ROJANDRA_2255201161_BAB 4.pdf - Submitted Version
Restricted to Repository staff only
Download (963kB) | Request a copy
[img] Text (BAB 5)
HAJAR ROJANDRA_2255201161_BAB 5.pdf - Submitted Version
Download (159kB)
[img] Text (Ref+Lam)
HAJAR ROJANDRA_2255201161_Ref + Lam.pdf - Submitted Version
Download (357kB)

Abstract

Penyakit pada buah terong (Solanum melongena L.) merupakan salah satu kendala utama yang menurunkan produktivitas panen, sedangkan metode deteksi konvensional dinilai kurang efisien karena membutuhkan tenaga ahli dan waktu yang lama. Penelitian ini bertujuan menerapkan metode transfer learning dengan arsitektur DenseNet201 untuk mengklasifikasikan penyakit buah terong ke dalam tiga kategori, yaitu buah sehat, busuk buah, dan penggerek buah, berdasarkan citra digital. Dataset penelitian berjumlah 2.417 citra yang dibagi menjadi data latih, validasi, dan uji dengan proporsi 70:15:15, kemudian diproses melalui resize, normalisasi, denoising, serta augmentasi data pada data latih agar setiap kelas memiliki 1.000 citra. Model dibangun menggunakan bobot pre-trained ImageNet dan dilatih selama 20 epoch dengan optimizer Adam, menghasilkan training accuracy 90,0% dan validation accuracy 87,5% tanpa indikasi overfitting yang signifikan. Pada pengujian, model memperoleh test accuracy sebesar 81,69% dengan weighted F1-score 81,68%. Kelas buah sehat menunjukkan performa terbaik dengan F1-score 90,77%, sedangkan kelas busuk buah dan penggerek buah masing-masing memperoleh F1-score 78,48% dan 74,11% akibat kemiripan karakteristik visual keduanya. Pengujian sistem terhadap sampel citra dari tiap kelas menghasilkan klasifikasi yang seluruhnya tepat, dengan confidence antara 78,35% hingga 99,69%. Hasil ini menunjukkan bahwa model DenseNet201 berbasis transfer learning memiliki kinerja yang baik dan berpotensi digunakan sebagai sistem pendukung deteksi dini penyakit buah terong.

Item Type: Thesis (Skripsi (Bachelor))
Additional Information: Pembimbing : Dr. Sastya Hendri Wibowo, S.Kom., M.Kom
Uncontrolled Keywords: Transfer Learning, DenseNet201, Klasifikasi Penyakit, Buah Terong, Deep Learning, Citra Digital, Confusion Matrix, F1-Score.
Subjects: Universitas Muhammadiyah Bengkulu > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Divisions: 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Subjek Terkait > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Depositing User: Mrs Hesti Ayu
Date Deposited: 29 Aug 2026 05:31
Last Modified: 29 Aug 2026 05:31
URI: http://repository.umb.ac.id/id/eprint/3583

Actions (login required)

View Item View Item