SAPUTRA. AS, ROY and Agaria, Melda (2025) IMPLEMENTASI MACHINE LEARNING UNTUK MENDETEKSI PENYAKIT PADA DAUN TANAMAN KOPI BERBASIS ANDROID DENGAN METODE CNN (CONVOLUTIONAL NEURAL NETWORK). Skripsi thesis, Institut Informatika dan Bisnis Darmajaya.
![[img]](http://repo.darmajaya.ac.id/style/images/fileicons/text.png) |
Text
1. Cover.pdf Download (836kB) |
|
Text
2. Hal Pernyataan.pdf Download (1MB) |
|
Text
3. Hal Persetujuan.pdf Download (2MB) |
|
Text
4. Hal Pengesahan.pdf Download (2MB) |
|
Text
5. Hal Riwayat Hidup.pdf Download (328kB) |
|
Text
6. Hal Persembahan.pdf Download (321kB) |
|
Text
7. Hal Motto.pdf Download (309kB) |
|
Text
8. Intisari.pdf Download (205kB) |
|
Text
9. Abstract.pdf Download (2MB) |
|
Text
10. Hal Prakata.pdf Download (533kB) |
|
Text
11. Daftar Isi.pdf Download (480kB) |
|
Text
12. Daftar Tabel.pdf Download (207kB) |
|
Text
13. Daftar Gambar.pdf Download (217kB) |
|
Text
14. Bab I.pdf Download (230kB) |
|
Text
15. Bab II.pdf Download (670kB) |
|
Text
16. Bab III.pdf Download (703kB) |
|
Text
17. Bab IV.pdf Download (2MB) |
|
Text
18. Bab V.pdf Download (207kB) |
|
Text
19. Daftar Pustaka.pdf Download (335kB) |
|
Text
20. Lampiran.pdf Download (327kB) |
Abstract
Kopi merupakan salah satu komoditas utama di berbagai negara, termasuk Indonesia. Namun, penyakit pada tanaman kopi seperti Leaf Rust, Red Spider Mite, Miner, dan Phoma dapat menurunkan kualitas dan hasil panen. Petani kopi sering mengalami kesulitan dalam mengidentifikasi penyakit secara akurat, yang berdampak pada keterlambatan penanganan. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit pada daun tanaman kopi berbasis Machine Learning dengan menggunakan metode Convolutional Neural Network (CNN) yang diimplementasikan dalam aplikasi Android. Penelitian ini menggunakan dataset citra daun kopi yang diperoleh dari Kaggle dan pengambilan gambar langsung dari lapangan. Data diolah melalui beberapa tahapan, yaitu pre-processing, augmentasi data, pelabelan, dan pelatihan model CNN menggunakan TensorFlow Lite agar dapat berjalan pada perangkat mobile. Model CNN yang dikembangkan terdiri dari empat lapisan konvolusi dan satu fully connected layer, dengan hasil akurasi pelatihan mencapai 90%. Aplikasi yang dikembangkan memungkinkan pengguna, khususnya petani, untuk mendeteksi penyakit daun kopi secara real-time hanya dengan mengambil foto melalui kamera smartphone. Sistem ini memberikan hasil klasifikasi penyakit beserta informasi dan saran penanganannya. Hasil uji coba menunjukkan bahwa aplikasi ini dapat mendeteksi penyakit dengan akurasi tinggi, serta memberikan kemudahan dan efisiensi bagi petani dalam mengidentifikasi dan menangani penyakit tanaman kopi. Kata Kunci: Machine Learning, CNN, Deteksi Penyakit, Tanaman Kopi, Android.
| Item Type: | Thesis (Skripsi) |
|---|---|
| Subjects: | Ilmu Komputer eSkripsi |
| Divisions: | Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Sistem Informasi |
| Depositing User: | Roy Saputra. AS |
| Date Deposited: | 23 Aug 2025 02:40 |
| Last Modified: | 23 Aug 2025 02:40 |
| URI: | http://repo.darmajaya.ac.id/id/eprint/21030 |
Actions (login required)
 |
View Item |