ABSTRAK

Penerapan Model Categorical Boosting Dalam Mengklasifikasikan Penyakit pada Daun Tomat(Oleh: Fitria Rahmah; Pembimbing: Selvi Annisa dan Dewi Anggraini, 2025; 57 halaman)

Tomat merupakan tanaman hortikultura penting yang rentan terhadap berbagai penyakit daun, seperti early blight dan late blight, yang dapat menurunkan kualitas dan kuantitas hasil panen. Jenis penyakit tersebut sulit dikenali hanya melalui pengamatan gambar secara langsung, sehingga diperlukan metode klasifikasi citra berbasis machine learning. Penelitian ini menerapkan model Categorical Boosting (CatBoost) yang dikombinasikan dengan ekstraksi fitur dari arsitektur VGG16 guna mengklasifikasikan penyakit daun tomat. Data yang digunakan berasal dari platform PlantVillage melalui situs Kaggle dengan total 3.300 gambar berukuran 256256 yang terdiri dari tiga kategori: daun sehat, terpapar early blight, dan late blight. Setelah dilakukan data cleaning, jumlah gambar yang tidak buram adalah 3285 dan di resize menjadi ukuran 224224, laludilanjutkan proses ekstraksi fitur, data dibagi menjadi data latih sebesar 80% dan data uji sebesar 20%. Model CatBoost kemudian dilatih dan dievaluasi menggunakan metrik akurasi. Hasil penelitian menunjukkan bahwa model CatBoost mampu mengklasifikasikan penyakit daun tomat dengan akurasi keseluruhan sebesar 94%. Akurasi per kelas juga menunjukkan hasil tinggi, yaitu 90% untuk early blight, 99.5% untuk late blight, dan 93% untuk daun sehat. Hasil ini menunjukkan bahwa kombinasi VGG16 dan CatBoost efektif dalam mendeteksi penyakit daun tomat berbasis citra digital, serta berpotensi mendukung deteksi dini dalam bidang pertanian.

Kata Kunci: Early Blight, Late Blight, Daun Tomat, Arsitektur VGG16, Categorical Boosting