ARKAN, Tsaqif Muhammad (2024) Optimasi Arsitektur VGG16 dengan Bayesian Optimization pada Klasifikasi Penyakit Daun Tomat. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 2. HALAMAN JUDUL.pdf Download (144kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (508kB)
	Text 5. KATA PENGANTAR.pdf Download (202kB)
	Text 7. ABSTRAK.pdf Download (202kB)
	Text 8. ABSTRACT.pdf Download (140kB)
	Text 9. DAFTAR ISI.pdf Download (223kB)
	Text 12. BAB I.pdf Download (237kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (216kB)

Abstract

Budidaya tomat merupakan industri pertanian utama di seluruh dunia, dengan fokus pada
kualitas dan mutu tanaman untuk meningkatkan produktivitas. Perubahan pada daun
menunjukkan adanya penyakit pada tanaman tomat, yang kompleksitas penanganannya
meningkat akibat semakin bervariasinya jenis penyakit. Pengamatan terhadap penyakit daun
tomat secara manual sangat sulit dan membutuhkan waktu yang sangat lama. Terlebih
dibutuhkan bantuan para ahli untuk dapat mengklasifikasikan penyakitnya dengan tepat.
Dengan perkembangan teknologi, Machine Learning (ML) diperkenalkan untuk mengatasi
masalah tersebut dengan mempelajari dan mengekstraksi pola data mentah. Berbagai
penelitian sebelumnya telah mengembangkan metode klasifikasi penyakit daun tomat
menggunakan arsitektur model CNN. Namun, seringkali terbatas dalam pemilihan jumlah
kelas target, rendahnya nilai akurasi, serta penjelasan arsitektur yang kurang terstruktur.
Terlebih proses pemilihan hyperparameter arsitekturnya masih dilakukan dengan trial and
error. Oleh karenanya, penelitian ini mengusulkan optimasi arsitektur VGG16 termodifikasi
dengan hyperparameter terbaik hasil bayesian optimization untuk menutupi kekurangan
tersebut. Kombinasi hyperparameter terbaik dicari melalui 50 kali percobaan, kemudian
model VGG16 yang dimodifikasi secara optimal dilatih ulang menggunakan kombinasi
tersebut. Hasil pelatihan model VGG16 termodifikasi selanjutnya dibandingkan dengan
hasil pelatihan model VGG16 orisinil yang mengimplementasikan transfer learning. Hasil
eksperimen menunjukkan bahwa model VGG16 termodifikasi memiliki accuracy sebesar
97,1% dengan error sebesar 10,66% terhadap data uji. Hasil ini jauh lebih unggul daripada
model VGG16 orisinil yang hanya memiliki accuracy sebesar 89% dengan error sebanyak
65,83%. Pada akhirnya, bayesian optimization terbukti mampu mengoptimasi arsitektur
VGG16 yang telah dimodifikasi secara optimal dalam mengklasifikasi penyakit daun tomat
dengan tepat melalui pemilihan kombinasi hyperparameter yang efektif.
Kata kunci : Convolutional Neural Network, Bayesian Optimization, Klasifikasi Multi
Kelas, Penyakit Daun Tomat, VGG16

Actions (login required)

View Item