View/Open

Author
Ryantoni, Sihaloho

Date Published
30 Sep 2025

Advisor
Mika Alvionita S, S.Si., M.Si.,
Ardika Satria, S.Si. M.Si,

Subject
Sains Data

Publisher

Indonesia sebagai negara agraris memiliki komoditas hortikultura penting, salah satunya cabai, dengan permintaan tinggi baik untuk konsumsi domestik maupun ekspor. Produktivitas cabai kerap terhambat oleh penyakit daun yang sulit diidentifikasi secara manual karena kemiripan gejala antar penyakit, sehingga penanganan sering terlambat. Penelitian ini mengembangkan model klasifikasi penyakit daun cabai menggunakan arsitektur Convolutional Neural Network Inception V3 dengan pendekatan Transfer Learning. Dataset terdiri atas citra daun cabai dengan lima jenis penyakit dan satu kelas daun sehat. Berbagai kombinasi hyperparameter diuji untuk memperoleh konfigurasi optimal. Hasil menunjukkan bahwa Model 6, dengan learning rate 0,001, batch size 32, dropout 0,3, maximum epoch 50, dan optimizer Adam, memberikan performa terbaik. Model ini mencapai akurasi pelatihan 95,42%, validasi 99,37%, dan pengujian 96,24%. Hasil tersebut membuktikan bahwa pemilihan hyperparameter yang tepat meningkatkan stabilitas pelatihan sekaligus menghasilkan model akurat. Penelitian ini diharapkan dapat mendukung identifikasi penyakit cabai secara cepat dan efisien, sehingga berkontribusi pada produktivitas pertanian melalui deteksi dini.

URI
https://repo.itera.ac.id/depan/submission/SB2510080002

Keyword
Cabai Convolution Neural Network Klasifikasi Inception V3 Transfer Learning