Klasifikasi Kesehatan Daun Bunga Mawar pada Taman Bunga di Sembalun Menggunakan Metode You Only Look Once (Yolo)

Mubaarak, Muhammad Laelul (2025) Klasifikasi Kesehatan Daun Bunga Mawar pada Taman Bunga di Sembalun Menggunakan Metode You Only Look Once (Yolo). Undergraduate thesis, Politeknik Negeri Bali.

	Text (Full Text) RAMA_58302_2115354052_full.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text (Cover,Bab1,Bab5, dan Referensi) RAMA_58302_2115354052_0006038002_0011049406_part.pdf - Accepted Version Available under License Creative Commons Attribution Non-commercial Share Alike. Download (2MB)
	Text (iThenticate) RAMA_58302_2115354052_iThenticate.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Sembalun, Kecamatan di Kabupaten Lombok Timur, Nusa Tenggara Barat, merupakan salah satu sentra hortikultura unggulan di Indonesia yang terkenal dengan produksi bunga mawar. Permasalahan kesehatan tanaman, khususnya pada daun, sering menjadi hambatan dalam meningkatkan produktivitas. Selama ini, deteksi kesehatan daun masih mengandalkan inspeksi visual manual yang memerlukan keahlian khusus, memakan waktu, dan berpotensi menghasilkan ketidakkonsistenan. Penelitian ini bertujuan mengembangkan sistem klasifikasi kesehatan daun bunga mawar berbasis algoritma You Only Look Once (YOLO) versi 8 untuk membantu petani mendeteksi penyakit secara otomatis dan akurat.Dataset yang digunakan mencakup tiga kelas utama, yaitu Healthy, Downy Mildew, dan Black Spot, dengan total 2.183 citra yang telah melalui proses preprocessing dan augmentasi. Model YOLOv8 dilatih menggunakan framework Ultralytics dengan parameter yang disesuaikan untuk memperoleh kinerja optimal. Hasil pelatihan menunjukkan nilai mean Average Precision (mAP@0.5) rata-rata sebesar 0,967, dengan performa tertinggi pada kelas Downy Mildew (0,979). Evaluasi melalui Confusion Matrix menghasilkan akurasi sebesar 96,65%, dengan nilai presisi dan recall yang tinggi di seluruh kelas. Analisis kurva F1-Confidence, Precision-Confidence, dan Recall-Confidence menunjukkan bahwa model mampu mencapai keseimbangan optimal antara presisi dan recall pada ambang kepercayaan sekitar 0,797.Model yang telah dilatih diintegrasikan ke dalam aplikasi web berbasis Flask yang memungkinkan pengguna mengunggah citra daun dan mendapatkan hasil klasifikasi beserta informasi penyakit secara real-time. Pengujian sistem menggunakan metode Black Box menunjukkan bahwa seluruh fitur utama, seperti unggah gambar, klasifikasi otomatis, penyimpanan, dan penghapusan riwayat, berfungsi sesuai spesifikasi.Penelitian ini membuktikan bahwa implementasi YOLOv8 pada klasifikasi kesehatan daun bunga mawar mampu memberikan deteksi cepat dan akurat, sehingga berpotensi menjadi solusi efektif dalam mendukung pertanian presisi di Taman Bunga Sembalun.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Bunga Mawar, Klasifikasi Daun, Deep Learning, Pertanian Presisi
Subjects:	Ilmu Teknik > Teknik Elektro Dan Informatika > Teknologi Informasi
Divisions:	Jurusan Teknologi Informasi > Prodi D4 Teknologi Rekayasa Perangkat Lunak > Skripsi
Depositing User:	M. Laelul Mubaarak
Date Deposited:	18 Sep 2025 03:50
Last Modified:	18 Sep 2025 03:50
URI:	https://repository.pnb.ac.id/id/eprint/21063

Actions (login required)

View Item