Skripsi/Tugas Akhir

Implementasi Deep Learning untuk Deteksi Penyakit Hawar Daun pada Tanaman Padi

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Pertanian padi, sebagai sektor krusial dalam pemenuhan kebutuhan pangan global, kerap menghadapi ancaman serius berupa penyakit hawar daun yang dapat mengurangi hasil panen. Penelitian ini berfokus pada pengembangan model deteksi penyakit hawar daun pada tanaman padi dengan memanfaatkan dua pendekatan, yakni model YOLO (You Only Look Once) dan model Faster R-CNN. Evaluasi dilakukan terhadap akurasi, recall, dan presisi metode Faster R-CNN dalam mengidentifikasi penyakit hawar daun pada tanaman padi. Selanjutnya, penelitian melibatkan pengembangan dan implementasi integrasi metode Faster R-CNN dan YOLO dalam aplikasi berbasis Android. Aplikasi ini mampu mendeteksi hawar daun secara real-time pada tanaman padi, memberikan solusi efisien dan cepat di lapangan. Meskipun akurasi deteksi mencapai 25%, implementasi teknologi ini menjadi langkah dalam mendukung upaya pengendalian penyakit pada tanaman padi dengan lebih tepat. Aplikasi Android yang dikembangkan menjadi alat yang berguna untuk meningkatkan pemantauan dan respons terhadap penyakit hawar daun pada pertanian padi.
Kata Kunci: Implementasi, YOLO, Faster R-CNN, Hawar Daun Padi

ABSTRACT
Rice farming, as a crucial sector in meeting global food needs, often faces serious threats in the form of leaf blight which can reduce crop yields. This researchfocuses on developing a model for detecting leaf blight disease in rice plants by utilizing two approaches, namely YOLO (You Only Look Once) model and Faster R-CNN model. Evaluation was carried out on the accuracy, recall and precision of Faster R-CNN method in identifying leaf blight in rice plants. Furthermore, the research involves the development and implementation of the integration of Faster R-CNN and YOLO methods in an Android-based application. This application is able to detect leaf blight in real-time on rice plants, providing an efficient and fast solution in the field. Even though the detection accuracy reaches 25%, the implementation of this technology is a step in supporting efforts to control diseases in rice plants more precisely. The developed Android application is a useful tool to improve monitoring and response to leaf blight disease in rice farming.
Keywords: Implementation, YOLO, Faster R-CNN, Rice Leaf Blight

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 24-49 RAM i - 0726TI

Penerbit

Makassar : Universitas DIPA., 2024

Deskripsi Fisik

xii + 58 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 24-49

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 23 Februari 2024

Subjek

Skripsi/Tugas Akhir
Convolutional Neural Network
You Only Look Once (YOLO)

Lampiran File