PENINGKATAN PERFORMA CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI PENYAKIT DAUN KENTANG MENGGUNAKAN AUGMENTASI DATA

Rozaqi, Abdul Jalil (2021) PENINGKATAN PERFORMA CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI PENYAKIT DAUN KENTANG MENGGUNAKAN AUGMENTASI DATA. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 19.51.1224-Abdul_Jalil_Rozaqi.pdf Download (4MB)

Abstract

Kentang merupakan salah satu tumbuhan yang memiliki banyak manfaat bagi kehidupan umat manusia. Pengolahan pertanian kentang memiliki beberapa masalah diantaranya adalah penyakit yang menyerang pada daun. Perkembangan teknologi pada saat ini dapat membantu untuk menyelesaikan permasalahan para petani dengan menggunakan image processing, teknik ini dapat mengidentifikasi objek berdasarkan citra yang telah dikumpulkan terlebih dahulu. Metode Convolutional Neural Network (CNN) sangat cocok untuk klasifikasi citra apabila data yang digunakan memiliki jumlah yang besar, namun data yang bisa dikumpulkan tidak selalu dalam jumlah yang besar. Data yang tidak seimbang pada tiap kelasnya juga berpengaruh pada proses klasifikasi. Penelitian ini menggunakan teknik data augmentation untuk menyeimbangkan data, karena pada penelitian ini data yang digunakan memiliki jumlah yang tidak seimbang. Selanjutya penelitian ini menggunakan teknik augmentasi data untuk memperbanyak variasi yang dimiliki citra dalam meningkatkan performa model klasifikasi. Penelitian ini memiliki beberapa skenario percobaan untuk mendapatkan hasil yang paling baik. Skenario awal adalah membandingkan penggunaan data yang tidak seimbang dengan data yang telah diseimbangkan. Penelitian ini kemudian melakukan klasifikasi dengan menggunakan 6 teknik augmentasi data yaitu zoom, shear, brightness, rotation, horizontal flip dan vertical flip. Penggunaan teknik augmentasi data memerlukan pemilihan yang matang, karena hasil uji coba menunjukkan bahwa tidak semua teknik augmentasi data dapat meningkatkan performa model klasifikasi. Seluruh skenario percobaan yang dilakukan menggunakan arsitektur CNN yang diusulkan dan arsitektur VGG-16. Hasil akhir dari penelitian ini adalah model klasifikasi dengan menggunakan data yang tidak seimbang membuat model klasifikasi sulit mengenali data pada kelas minoritas. Skenario percobaan terbaik adalah dengan penggunaan data yang telah diseimbangkan dan ditambah dengan tiga teknik augmentasi data terbaik yaitu zoom, brightness dan rotation. Nilai akurasi yang dihasilkan adalah 95% untuk penggunaan arsitektur CNN yang diusulkan dan 97% untuk arsitektur VGG-16.

Actions (login required)

View Item