Shodiq, Muhammad Jafar (2020) IMPLEMENTASI MODEL RESNET PADA KLASIFIKASI CITRA PENYAKIT DAUN DENGAN METODE JARINGAN SYARAF KONVOLUSIONAL (CNN). Undergraduate thesis, Universitas Diponegoro.

	Text JUDUL.pdf Download (349kB)
	Text BAB I.pdf Restricted to Repository staff only Download (106kB)
	Text BAB II.pdf Restricted to Repository staff only Download (568kB)
	Text BAB III.pdf Restricted to Repository staff only Download (291kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Restricted to Repository staff only Download (94kB)
	Text DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (103kB)

Abstract

Pengenalan penyakit tanaman khususnya pada bagian daun yang dilakukan
dengan visualisasi manual dinilai memiliki kompleksitas yang cukup tinggi.
Pengolahan citra digital merupakan salah satu alternatif yang peka untuk
mengatasi masalah pengenalan karakteristik fisik penyakit yang lebih tepat dan
objektif. Deep learning merupakan sub bidang dari machine learning yang
mengadaptasi jaringan syaraf tiruan dengan lapisan yang lebih banyak
dibandingkan dengan jaringan syaraf tiruan biasa. Jaringan syaraf konvolusional
(CNN) merupakan salah satu metode deep learning yang dapat digunakan untuk
mendeteksi dan mengenali sebuah objek pada sebuah citra digital. Adapun tujuan
penelitian Tugas Akhir ini adalah mengimplementasikan model arsitektur ResNet,
yang merupakan salah satu model arsitektur CNN, pada klasifikasi citra penyakit
daun.
Pada penelitian ini dilakukan klasifikasi untuk 10 (sepuluh) kategori citra
penyakit daun, yaitu keropeng apel, busuk hitam apel, busuk hitam anggur, esca
anggur, hawar daun anggur, bercak kering kentang, hawar daun kentang, bercak
bakteri tomat, bercak septoria tomat, dan bercak coklat tomat dengan total 5000
citra. Data citra diperoleh dari situs web Kaggle dan dijalankan serta dilatih pada
Google Colaboratory dengan menggunakan bahasa pemrograman Python.
Tahapan atau langkah pada penelitian ini adalah pengumpulan data,
prapengolahan data, pembuatan model, pelatihan model, dan analisa hasil dan
pengujian model.
Penelitian ini membandingkan 2 (dua) model arsitektur deep residual
network (ResNet), yaitu ResNet-50 dan ResNet-101. Percobaan sebanyak 4 (empat)
kali untuk masing-masing model dilakukan dengan parameter persentase jumlah
data validasi (10% dan 20%) dan besar learning rate (0,001 dan 0,0001).
Penelitian ini mendapatkan kesimpulan model ResNet-101 secara keseluruhan
memiliki kinerja yang lebih baik dibandingkan dengan ResNet-50 ketika dilakukan
pengujian dengan data citra sebenarnya.

Actions (login required)

View Item