PENGEMBANGAN MODEL CONVOLUTIONAL NEURAL NETWORK METODE TRANSFER LEARNING MOBILENETV3 UNTUK KLASIFIKASI PENYAKIT DAUN PADI

Reyhan Agus Priyatna, - (2024) PENGEMBANGAN MODEL CONVOLUTIONAL NEURAL NETWORK METODE TRANSFER LEARNING MOBILENETV3 UNTUK KLASIFIKASI PENYAKIT DAUN PADI. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_RPL_2010035_Title.pdf Download (476kB)
	Text S_RPL_2010035_Chapter1.pdf Download (62kB)
	Text S_RPL_2010035_Chapter2.pdf Restricted to Staf Perpustakaan Download (980kB) | Request a copy
	Text S_RPL_2010035_Chapter3.pdf Download (622kB)
	Text S_RPL_2010035_Chapter4.pdf Restricted to Staf Perpustakaan Download (812kB) | Request a copy
	Text S_RPL_2010035_Chapter5.pdf Download (42kB)
	Text S_RPL_2010035_Appendix.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy

Abstract

Tanaman padi adalah salah satu komoditas pangan yang menjadi kebutuhan pokok di Indonesia, ditunjukkan dengan kebutuhan beras mencapai 31,90 juta ton pada tahun 2023. Namun, hal ini tidak diimbangi dengan produksi padi menurun dari 59,2 juta ton menjadi 53,98 juta ton pada tahun yang sama, salah satunya disebabkan oleh serangan hama dan penyakit. Deteksi dini penyakit padi dengan teknologi AI dapat membantu petani mengambil tindakan tepat untuk mencegah kegagalan produksi padi akibat serangan penyakit terhadap daun padi. Deep learning telah berhasil diterapkan dalam klasifikasi gambar, namun masih ada keterbatasan seperti kurangnya variasi data dan efisiensi model. Penelitian ini mengembangkan model Convolutional Neural Network (CNN) dengan metode transfer learning MobileNetV3Large untuk klasifikasi penyakit daun padi, membandingkan model dengan dataset original dan oversampling, serta melakukan hyperparameter tuning pada epoch dan batch size. Data yang digunakan adalah 5.932 gambar daun padi dengan 4 jenis penyakit yakni hawar daun, blas, bercak coklat, dan tungro, serta 1.600 gambar daun padi normal. Parameter pelatihan model menggunakan batch size 64, optimizer Adam, dan epoch 50, dengan evaluasi menggunakan confusion matrix. Hasilnya, oversampling meningkatkan akurasi train sebesar 0,20% dan menurunkan loss train, namun tidak pada akurasi dan loss validation. Hyperparameter tuning dengan menambah epoch menjadi 100 meningkatkan akurasi model hingga 99,80% dengan precision, recall, dan f1-score masing-masing sebesar 99,80%, namun perubahan batch size menjadi 32 tidak signifikan meningkatkan akurasi. ---------- Rice plants are one of the staple food commodities in Indonesia, as evidenced by the rice demand reaching 31.90 million tons in 2023. However, this is not matched by a decrease in rice production from 59.2 million tons to 53.98 million tons in the same year, partly due to pest and disease attacks. Early detection of rice diseases using AI technology can help farmers take appropriate actions to prevent rice production failures caused by disease attacks on rice leaves. Deep learning has been successfully applied in image classification, but there are still limitations such as a lack of data variation and model efficiency. This research develops a Convolutional Neural Network (CNN) model using the MobileNetV3Large transfer learning method for classifying rice leaf diseases, comparing the model with original and oversampled datasets, and performing hyperparameter tuning on epoch and batch size. The data used consists of 5,932 images of rice leaves with 4 types of diseases: leaf blight, blast, brown spot, and tungro, as well as 1,600 images of normal rice leaves. The model training parameters used a batch size of 64, Adam optimizer, and 50 epochs, with evaluation using a confusion matrix. The results showed that oversampling increased training accuracy by 0.20% and reduced training loss but did not affect validation accuracy and loss. Hyperparameter tuning by increasing the epochs to 100 improved the model accuracy to 99.80%, with precision, recall, and f1-score all at 99.80%, but changing the batch size to 32 did not significantly improve accuracy.

Item Type:	Thesis (S1)
Additional Information:	ID Sinta DOSEN PEMBIMBING: HENDRIYANA: 6658557 MOCHAMAD IQBAL ARDIMANSYAH: 6658552
Uncontrolled Keywords:	Penyakit Daun Padi, CNN, MobileNetV3Large, Oversampling, Hyperparameter tuning, Rice Leaf Disease
Subjects:	L Education > L Education (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	UPI Kampus cibiru > S1 Rekayasa Perangkaat Lunak
Depositing User:	Reyhan Agus Priyatna
Date Deposited:	23 Aug 2024 02:57
Last Modified:	23 Aug 2024 02:57
URI:	http://repository.upi.edu/id/eprint/119671

Actions (login required)

View Item