LLDIKTI10LLDIKTI10

SAINS DAN INFORMATIKA : RESEARCH OF SCIENCE AND INFORMATICSAINS DAN INFORMATIKA : RESEARCH OF SCIENCE AND INFORMATIC

Penelitian ini menerapkan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-19 untuk klasifikasi citra penyakit daun tanaman padi. Tujuan penelitian ini adalah untuk membandingkan hasil akurasi pengujian dari model yang menggunakan augmentasi dan tanpa augmentasi data. Data pada penelitian ini terbagi atas 4 kelas, yaitu blast, brown spot, leaf smut, dan healthy dengan jumlah data asli sebanyak 440 dan data augmentasi sebanyak 1320 citra. Hasil pengujian menunjukkan bahwa akurasi tertinggi menggunakan augmentasi data yang diperoleh sebesar 94.31%, sedangkan akurasi tertinggi tanpa augmentasi data yang diperoleh sebesar 93.18%. Hasil penelitian menunjukkan bahwa augmentasi dapat meningkatkan hasil akurasi. Penggunaan optimizer Nadam menghasilkan nilai akurasi yang lebih tinggi dibandingkan Adamax. Hyper Parameter yang digunakan juga berpengaruh terhadap hasil akurasi pengujian.

Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-19 serta penggunaan augmentasi berupa height shift, width shift, dan shear range.Hasil penelitian menunjukkan bahwa augmentasi dapat meningkatkan hasil akurasi.Penggunaan hyperparameter optimization juga mempengaruhi hasil akurasi penelitian.Untuk penelitian selanjutnya, direkomendasikan menggunakan data citra yang lebih banyak agar akurasi yang dihasilkan tinggi, serta menggunakan augmentasi lain yang lebih bagus.

Berdasarkan latar belakang, metode, hasil, keterbatasan, dan saran penelitian lanjutan, berikut adalah saran penelitian lanjutan yang baru: Pertama, perlu dilakukan penelitian lebih lanjut untuk mengeksplorasi penggunaan teknik segmentasi citra yang lebih canggih untuk memisahkan area penyakit dari latar belakang tanaman, sehingga model dapat lebih fokus pada area yang relevan. Kedua, penelitian dapat difokuskan pada pengembangan model yang mampu mengidentifikasi jenis penyakit secara simultan, bukan hanya secara terpisah, untuk meningkatkan efisiensi diagnosis. Ketiga, perlu dilakukan studi untuk mengintegrasikan data sensor lingkungan (seperti suhu, kelembaban, dan curah hujan) dengan data citra daun untuk membangun model prediktif yang dapat memprediksi potensi serangan penyakit berdasarkan kondisi lingkungan.

  1. Klasifikasi Penyakit Tanaman Padi Menggunakan Model Deep Learning Efficientnet B3 dengan Transfer Learning... doi.org/10.30646/sinus.v19i1.526Klasifikasi Penyakit Tanaman Padi Menggunakan Model Deep Learning Efficientnet B3 dengan Transfer Learning doi 10 30646 sinus v19i1 526
  2. PERBANDINGAN METODE DEEP LEARNING DAN MACHINE LEARNING UNTUK KLASIFIKASI (UJICOBA PADA DATA PENYAKIT... doi.org/10.32832/inova-tif.v1i2.5449PERBANDINGAN METODE DEEP LEARNING DAN MACHINE LEARNING UNTUK KLASIFIKASI UJICOBA PADA DATA PENYAKIT doi 10 32832 inova tif v1i2 5449
  3. Implementasi Fuzzy Logic pada Alat Pemisah Buah Tomat | SAINS DAN INFORMATIKA : RESEARCH OF SCIENCE AND... publikasi.lldikti10.id/index.php/jsi/article/view/1637Implementasi Fuzzy Logic pada Alat Pemisah Buah Tomat SAINS DAN INFORMATIKA RESEARCH OF SCIENCE AND publikasi lldikti10 index php jsi article view 1637
  4. Error 404. error search alert submit archives papers published please visit page sorry something find... doi.org/10.11989/JEST.1674-862X.80904120Error 404 error search alert submit archives papers published please visit page sorry something find doi 10 11989 JEST 1674 862X 80904120
Read online
File size353.23 KB
Pages9
DMCAReport

Related /

ads-block-test