ANALISIS KOMPARATIF AUGMENTASI DATA HAMA PENYAKIT DAUN APEL MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK

Husen, Dede (2022) ANALISIS KOMPARATIF AUGMENTASI DATA HAMA PENYAKIT DAUN APEL MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.55.1068 Dede Husen.pdf Download (3MB)

Abstract

Dewasa ini kebutuhan akan konsumsi buah-buahan kian meningkat seiring dengan meningkatnya populasi manusia dan kesadaran akan konsumsi makanmakanan bergizi, buah apel merupakah salah satu buah yang paling banyak dikonsumsi oleh manusia di seluruh dunia. Menurut data yang dikutip dari Badan Pusat Statistik Nasional tahun 2021 produksi buah apel tahun 2021 menurun dari tahun sebelumnya dari 519.531 ton menjadi 509.544 ton. Salah satu penyebab menurunnya produksi apel adalah adanya gangguan hama pada tanaman apel tersebut. Setidaknya ada beberapa jenis hama yang dapat di identifikasi pada daun apel yaitu Apple Scrub (venturia inaequalis), Apple Black Root (Botryosphaeria) dan Apple Cedar/Rust (Gymnosporangium juniperi virginianae). Tahapan penelitian dimulai dengan melakukan beberapa studi literatur seputar penelitian terkait, kemudian merumuskan dan memvalidasi masalah serta mulai melakukan pengumpulan data dari public dataset Kaggle. Kemudian dalam tahap eksprimennya penulis membagi dataset kedalam tiga bagian dengan persentase 80% data training, 10 % data validasi dan 10% data testing. Metode klasifikasi citra yang digunakan algoritma Convolutional Neural Network (CNN) untuk membuat sebuah model yang dapat mengklasifikasikan data citra, para prosesnya implementasi penulis menggunakan bahasa pemrograman pyhton untuk membangun model tersebut. Penulis melakukan beberapa eksperimen dengan melakukan perubahan pada beberapa parameter model yang berpengaruh terhadap akurasi model. Untuk evaluasi performa dan akurasi model menggunakan confusion matrix. Hasil dari penelitian menunjukkan bahwa ukuran citra, augmentasi data dan jumlah epoch sangat berpengaruh terhadap akurasi model, dari hasil uji tersebut model CNN yang paling baik akurasinya adalah dengan model dengan parameter ukuran citra 256x256, dengan teknik gabungan yaitu augmentasi data horizontal flip, vertical flip dan random rotation serta jumlah epoch ke-60 memiliki tingkat akurasi tertinggi yaitu 99.57%. hasil dari penelitian ini diharapkan dapat di implementasikan dalam sebuah aplikasi yang dapat di gunakan langsung oleh para petani dalam mendeteksi hama pada tanaman apel secara cepat dan akurat.

Actions (login required)

View Item