KLASIFIKASI PENYAKIT PADA TANAMAN TEH BERDASARKAN CITRA DAUN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Trihardianingsih, Liana (2023) KLASIFIKASI PENYAKIT PADA TANAMAN TEH BERDASARKAN CITRA DAUN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.51.2098 Liana Trihardianingsih.pdf Download (6MB)

Abstract

Kemajuan teknologi telah memberikan kontribusi besar dalam pengendalian penyakit tanaman. Salah satu metode untuk menyelesaikan masalah identifikasi penyakit tanaman adalah penggunaan deep learning untuk pengolahan citra digital. Penyakit daun teh merupakan penyakit tanaman yang memerlukan pengendalian cepat dan efektif. Penelitian ini mengadopsi arsitektur Convolutional Neural Network (CNN) yaitu ResNet-50 dan Inception V3 untuk mengklasifikasikan enam jenis penyakit yang menyerang daun teh. Untuk mengoptimalkan performa ResNet-50 dan Inception V3, teknik augmentasi akan ditambahkan pada proses training agar menambah variasi data serta mengatur hyperparameter untuk meningkatkan akurasi Penelitian ini memiliki empat skenario untuk mendapatkan hasil yang optimal. Tiga dari empat skenario yang diusulkan adalah dengan melakukan penyesuaian hyperparamater yang meliputi optimizer, learning rate, dan batch size. Penelitian ini kemudian melakukan klasifikasi dengan menggunakan 3 kombinasi penggunaan augmentasi data yaitu zoom, rotasi, flip; zoom, rotsasi, shear; dan zoom, rotasi, shift. Penyesuaian hyperparameter dan penggunaan augmentasi data yang tepat dapat meningkatkan performa model ResNet-50 dan Inception V3. Hasil akhir dari penelitian ini adalah kedua model klasifikasi, ResNet-50 dan Inception V3 memiliki performa yang baik dalam melakukan klasifikasi penyakit daun teh. ResNet-50 memperoleh rata-rata akurasi 98,30% dengan menggunakan optimizer Adam, learning rate 0,0001, batch size 16 dan augmentasi berupa rotasi, zoom, dan flip. Sedangkan Inception V3 memperoleh rata-rata akurasi 97,61% dengan menggunakan optimizer Adam, learning rate 0,0001, batch size 64, dan augmentasi berupa rotasi, zoom, dan shear.

Actions (login required)

View Item