Viscayanti, Ni Kadek (2025) Aplikasi Machine Learning Untuk Deteksi Penyakit Tanaman Kopi Dengan Algoritma Convolutional Neural Network Berbasis Mobile App di Desa Karya Sari. Undergraduate thesis, Politeknik Negeri Bali.

[thumbnail of Full Text] Text (Full Text)
RAMA_58302_2115354048_full.pdf - Accepted Version
Restricted to Repository staff only

Download (2MB) | Request a copy
[thumbnail of Cover, Bab 1, Bab 5,  dan Refrensi] Text (Cover, Bab 1, Bab 5, dan Refrensi)
RAMA_58302_2115354048_0017038002_0808119003_part.pdf - Accepted Version
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (420kB)
[thumbnail of iThenticate] Text (iThenticate)
RAMA_58302_2115354048_iThenticate.pdf - Accepted Version
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Tanaman kopi merupakan salah satu komoditas unggulan yang banyak dibudidayakan di Desa Karya Sari. Untuk membantu proses identifikasi penyakit daun kopi secara praktis dan efisien, penelitian ini mengembangkan sebuah aplikasi mobile berbasis machine learning yang dapat mendeteksi jenis penyakit daun kopi secara otomatis. Proses pendeteksian dilakukan dengan memanfaatkan algoritma Convolutional Neural Network (CNN) yang mampu mengenali pola visual pada citra daun kopi. Model CNN dibangun menggunakan TensorFlow dan dilatih dengan dataset yang terdiri dari empat kelas: healthy, phoma, noda mata, dan rust. Arsitektur model terdiri dari tiga lapisan konvolusi, max pooling, dropout, dan dense layer, dengan optimizer Adam dan fungsi aktivasi ReLU serta softmax. Proses pelatihan dilakukan selama 30 epoch dengan akurasi pelatihan mencapai 88,28% dan akurasi pengujian sebesar 75%. Model kemudian dikonversi ke dalam format TensorFlow Lite (TFLite) dan diintegrasikan ke dalam aplikasi mobile berbasis Flutter. Aplikasi ini berjalan secara offline dan dirancang untuk digunakan pada perangkat Android dengan spesifikasi RAM 3–8 GB. Fitur utama aplikasi meliputi unggah gambar daun kopi, deteksi jenis penyakit, serta penyajian informasi dan rekomendasi penanganan. Sistem berhasil diimplementasikan secara menyeluruh sesuai rancangan dan dapat digunakan sebagai alat bantu identifikasi penyakit daun kopi secara cepat, mudah, dan portabel.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Deteksi Penyakit Daun Kopi, CNN, Machine Learning, Flutter, TFLite, Aplikasi Mobile
Subjects: Ilmu Teknik
Ilmu Teknik > Teknik Elektro Dan Informatika
Ilmu Teknik > Teknik Elektro Dan Informatika > Teknologi Informasi
Ilmu Teknik > Teknik Elektro Dan Informatika > Teknik Perangkat Lunak
Divisions: Jurusan Teknologi Informasi > Prodi D4 Teknologi Rekayasa Perangkat Lunak > Skripsi
Depositing User: Ni Kadek Viscayanti
Date Deposited: 02 Sep 2025 04:35
Last Modified: 02 Sep 2025 04:35
URI: https://repository.pnb.ac.id/id/eprint/18398

Actions (login required)

View Item View Item