Update Artikelilmiah: 43053

ZAHRAH HASANAH NUR RAJABIAH

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Tanaman tomat merupakan komoditas penting dalam hortikultura. Tanaman ini rentan terhadap penyakit seperti busuk dan bercak daun. Pemanfaatan citra digital, khususnya visi komputer, dapat mengidentifikasi penyakit dengan akurat. Algoritma klasifikasi dan ekstraksi fitur diterapkan menggunakan Inception V3, diharapkan memberikan akurasi tinggi. Penelitian ini bertujuan mengembangkan program untuk mendeteksi penyakit pada daun tomat dan mengukur akurasi model. Dataset yang digunakan berasal dari Kaggle dengan nama "Tomato Leaf Diseases," terdiri dari 16.484 citra daun tomat yang dibagi menjadi 8 kategori penyakit dan 1 kategori sehat. Data uji menggunakan 40 citra dari 4 tempat berbeda. Setelah data dibagi menjadi pelatihan dan pengujian, dilakukan augmentasi data. Proses selanjutnya melibatkan modeling dengan Inception V3, diikuti oleh tahap pelatihan dan evaluasi model. Aplikasi pengolahan citra dibangun menggunakan platform Streamlit, dan model yang telah dilatih di-deploy untuk mendeteksi penyakit pada daun tomat. Hasil penelitian menunjukkan bahwa identifikasi penyakit pada daun tomat menggunakan Inception V3 mencapai akurasi sebesar 87,26%, dengan nilai loss sebesar 0,3646. Meskipun model berhasil belajar dari data pelatihan, tantangan muncul pada pengujian dengan 40 citra baru yang belum pernah dilihat sebelumnya, yaitu sebesar 15% yang menunjukkan bahwa model cenderung terlalu menghafal data pelatihan sehingga menyebabkan kinerjanya menurun ketika dihadapkan dengan citra-citra yang belum pernah dilihat sebelumnya.

Abtrak (Bhs. Inggris)

Tomato plants are essential commodities in horticulture. These plants are susceptible to diseases such as rot and leaf spots. The utilization of digital images, particularly computer vision, can accurately identify diseases. Classification and feature extraction algorithms are applied using Inception V3, aiming for high accuracy. This research aims to develop a program to detect diseases on tomato leaves and measure the model's accuracy. The dataset, named "Tomato Leaf Diseases" from Kaggle, consists of 16,484 tomato leaf images divided into 8 disease categories and 1 healthy category. Testing data includes 40 images from 4 different locations. After splitting the data into training and testing sets, data augmentation is performed. The subsequent process involves modeling with Inception V3, followed by training and evaluating the model. An image processing application is built using the Streamlit platform, and the trained model is deployed to detect diseases on tomato leaves. Research results indicate that disease identification using Inception V3 achieves an accuracy of 87.26% with a loss value of 0.3646. Despite successful learning from the training data, challenges arise in testing with 40 new, previously unseen images, resulting in a 15% accuracy rate. This suggests that the model tends to memorize training data, causing a decline in performance when faced with previously unseen images.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman