Publisher

UPPUPP

Journal Riau Jurnal Teknik InformatikaRiau Jurnal Teknik Informatika Abstract

Padi merupakan tanaman pangan pokok bagi lebih dari separuh populasi dunia, dengan Asia menyumbang sekitar 90% produksi global. Penyakit daun, terutama Blast dan Bacterial Blight, menjadi penyebab penting penurunan produktivitas padi di Indonesia. Metode deteksi konvensional berbasis pengamatan visual cenderung subjektif dan lambat, sehingga dibutuhkan sistem deteksi otomatis yang lebih andal. Penelitian ini bertujuan mengimplementasikan StyleGAN2-ADA untuk menghasilkan citra sintetis penyakit daun padi serta mengevaluasi pengaruhnya terhadap performa klasifikasi berbasis Convolutional Neural Network. Penelitian menggunakan pendekatan eksperimental kuantitatif dengan membandingkan skenario Baseline tanpa augmentasi GAN dan Proposed dengan augmentasi citra sintetis StyleGAN2-ADA. Hasil menunjukkan bahwa augmentasi StyleGAN2-ADA meningkatkan F1-Score keseluruhan EfficientNetB0 dari 97,62% menjadi 98,20%, dengan peningkatan terbesar pada kelas Blight sebesar 3,11%. Pada ResNet50, F1-Score keseluruhan meningkat dari 97,60% menjadi 98,20%, meskipun performa kelas Blast tidak berubah. Augmentasi memberikan manfaat paling konsisten pada kelas minoritas Blight, sedangkan pengaruhnya pada kelas Blast berbeda antar metrik. Temuan ini menunjukkan bahwa evaluasi model perlu mempertimbangkan performa setiap kelas dan trade-off antara precision dan recall, bukan hanya metrik agregat.

Conclusion

Arsitektur StyleGAN2-ADA berhasil diimplementasikan untuk menghasilkan citra sintetis penyakit daun padi yang realistis dan beragam.Model dilatih secara terpisah untuk dua kelas minoritas, Blast dan Blight, dengan mekanisme Adaptive Discriminator Augmentation (ADA) yang memungkinkan pelatihan stabil meskipun pada kondisi terbatas.Kualitas citra sintetis dievaluasi menggunakan metrik Fréchet Inception Distance (FID), di mana kelas Blight mencapai nilai FID sebesar 79,08 dan kelas Blast sebesar 103,20.Penerapan augmentasi StyleGAN2-ADA menunjukkan dampak berbeda antar model dan kelas.Pada EfficientNetB0, penambahan citra sintetis meningkatkan F1-Score keseluruhan dari 97,62% menjadi 98,20%, dengan peningkatan terbesar pada kelas Blight.Pada ResNet50, F1-Score keseluruhan juga meningkat dari 97,60% menjadi 98,20%, dengan kontribusi peningkatan pada kelas Healthy.Namun, kelas Blast pada ResNet50 tidak menunjukkan perubahan performa setelah augmentasi diterapkan.

Future Research

1. Mengeksplorasi penggunaan arsitektur GAN lain seperti CycleGAN untuk meningkatkan variasi citra sintetis pada kelas Blast yang masih memiliki tantangan dalam representasi visual. 2. Mengkaji dampak augmentasi data berbasis GAN pada kelas penyakit lain di tanaman pangan selain padi, seperti jagung atau kedelai, untuk mengevaluasi generalisasi metode. 3. Mengembangkan pendekatan hybrid yang menggabungkan augmentasi GAN dengan teknik transfer learning untuk meningkatkan kinerja model pada dataset dengan jumlah sampel sangat terbatas.

References

1. A survey on Image Data Augmentation for Deep Learning | Journal of Big Data | Full Text. survey data... doi.org/10.1186/s40537-019-0197-0A survey on Image Data Augmentation for Deep Learning Journal of Big Data Full Text survey data doi 10 1186 s40537 019 0197 0

Metadata

File size	972.08 KB
Pages	17
DMCA	Report