Implementasi Deep Learning Deteksi Penyakit Menggunakan Convolutional Neural network (CNN) dengan Metode Pralatih YOLOv9 (Studi kasus daun Jeruk)

Ahmad, Hidayat Nur Isma (2025) Implementasi Deep Learning Deteksi Penyakit Menggunakan Convolutional Neural network (CNN) dengan Metode Pralatih YOLOv9 (Studi kasus daun Jeruk). Diploma thesis, UIN Raden Intan Lampung.

	PDF Download (4MB)
	PDF Restricted to Repository staff only Download (7MB)

Abstract

ABSTRAK Sulitnya melindungi tanaman pohon jeruk dikarenakan Jeruk termasuk kedalam pohon yang rentan terkena serangan penyakit yang terlihat seperti bercak pada daun jeruk. Salah satu manfaat penelitian ini yaitu menghasilkan sistem informasi untuk petani perkebun jeruk dalam pendeteksian penyakit daun jeruk guna mencegah penurunan hasil panen dan kematian pohon jeruk di mana ketepatan tingkat deteksi penyakit daun jeruk dapat ditentukan dengan cepat dan presisi tinggi dibandingkan klasifikasi manusia. Penelitian Research and Development (RnD) dengan menggunakan metode pralatih YOLOv9 sebagai metode pengembangannya. Pendekatan pada penelitian ini bertujuan agar dapat mengimplementasikan metode YOLOv9 dan menghasil sistem dalam mendeteksi penyakit daun jeruk dengan tingkat akurasi yang cukup baik fokus pada penelitian ini adalah mendeteksi penyakit daun jeruk yang dimana penyakit yang dijadikan penelitian yaitu karat, canker dan moss. Temuan pada penelitian yang telah dilakukan oleh peneliti maka peneliti menemukan pada model yang telah dilatih pada penelitian ini dengan pelatihan 100 epoch menghasilkan nilai precision 0.88, recall sebesar 0.86, dengan kriteria bounding box melebihi 50% (mAP50) mencapai 0.919 dan rata-rata overlap pada setiap IoU (mAP50-95) sebesar 0.75. Sehingga nilai akurasi model yang dihasilkan sebesar 92% dengan waktu pemrosesan rata-rata pergambar 16.2 ms. Dengan demikian dapat disimpulkan sistem berjalan dengan baik dalam mendeteksi penyakit daun jeruk. Kata kunci : Deep Learning, YOLOv9, Daun, Sistem Pakar. ABSTRACT The difficulty of protecting orange trees lies in the fact that oranges are among the types of trees that are vulnerable to disease attacks, which often appear as spots on the orange leaves. One of the benefits of this research is to develop an information system for orange farmers to detect leaf diseases in order to prevent yield loss and the death of orange trees. The accuracy level of orange leaf disease detection can be determined quickly and with high precision, outperforming human classification. This study uses the Research and Development (RnD) method with the pre-trained YOLOv9 method as its development approach. The aim of this research is to implement the YOLOv9 method and develop a system capable of detecting orange leaf diseases with a satisfactory level of accuracy. The focus of this research is the detection of orange leaf diseases, specifically rust, canker, and moss. Based on the findings of the study, the trained model with 100 training epochs produced a precision score of 0.88, a recall score of 0.86, and a bounding box accuracy criterion exceeding 50% (mAP50) of 0.919, with an average overlap at each IoU (mAP50–95) of 0.75. Therefore, the model achieved an accuracy rate of 92% with an average processing time per image of 16.2 ms. It can be concluded that the system performs well in detecting orange leaf diseases. Keywords : Deep Learning, YOLOv9, Leaf, Expert System.

Actions (login required)

View Item