@mastersthesis{universitasamikomyogyakarta31792,
           month = {January},
          school = {Universitas AMIKOM Yogyakarta},
           title = {PENERAPAN TRANSFER LEARNING DENGAN INCEPTIONV3
DAN
EFFICIENTNET-B4
PADA
STUDI
KASUS

KLASIFIKASI
PENYAKIT
PADA
DAUN
SINGKONG},
            year = {2024},
          author = {Tri Anton},
             url = {https://eprints.amikom.ac.id/id/eprint/31792/},
        keywords = {Penyakit singkong, convolutional neural network, computer vision, image 
classification, densenet, cassava diseases.},
        abstract = {Singkong adalah tanaman yang memiliki permintaan yang tinggi di Indonesia, ditandai
dengan peningkatan tingkat produksi seiring waktu. Selain kuantitas, kualitas tanaman
harus dijaga,  salah satunya dengan memperhatikan gejala penyakit. Gejala penyakit
yang timbul pada daun  singkong dapat dideteksi dengan inspeksi visual. Tetapi,
diperlukan pengetahuan lebih untuk  membedakan gejala suatu penyakit dengan
penyakit lainnya. Salah satu solusi dari masalah ini  adalah pemanfaatan convolutional
neural networks (CNN) untuk klasifikasi penyakit. Penulis  menggunakan model CNN
untuk masalah ini. Parameter penilai kinerja model CNN yang  digunakan adalah
akurasi, presisi, recall, dan F1-score. penelitian ini akan menggunakan dua  arsitektur
pada transfer learning, yaitu EfficientNet-B4 dan Inception-V3. Kedua arsitektur ini 
masih jarang digunakan pada studi kasus terkait. Tujuan peningkatan jumlah parameter
ini  adalah untuk menemukan konfigurasi optimal pada optimizer dan learning rate
yang dapat  memaksimalkan performa model. Dengan peningkatan jumlah parameter
dan pemanfaatan dua  arsitektur pada transfer learning, diharapkan kemampuan model
dalam menangani  kompleksitas masalah klasifikasi gambar daun singkong penyakit
dapat ditingkatkan. Fokus  penelitian ini juga akan difokuskan pada penerapan
arsitektur EfficientNet-B4 dan Inception V3 dengan skema hyperparameter tuning
untuk meningkatkan performa model. Oleh karena  itu, penelitian ini diharapkan dapat
memberikan kontribusi yang lebih unggul dalam  pengembangan CNN untuk
klasifikasi penyakit pada daun singkong, dengan performa yang  lebih baik dan lebih
akurat.}
}