Augmentasi  Data  Berbasis  Pencampuran  Secara  Komprehensif untuk Deteksi Penyakit Daun Padi di Alam Bebas

Haikal, Ahmad Luthfi Azmi and Dr. Eng. Novanto, S.Kom., M.Sc and Dr. Drs. Achmad Ridok, M.Kom. (2024) Augmentasi  Data  Berbasis  Pencampuran  Secara  Komprehensif untuk Deteksi Penyakit Daun Padi di Alam Bebas. Sarjana thesis, Universitas Brawijaya.

Abstract

Tanaman padi (Oryza sativa L.) adalah salah satu jenis tanaman budidaya  yang  memiliki  kemampuan  beradaptasi  pada  berbagai  kondisi  lingkungan  dan  merupakan bahan pangan pokok di banyak negara, terutama di Asia. Meskipun  padi  dapat  beradaptasi  dengan  berbagai  kondisi,  padi  juga  dapat  terserang  penyakit khususnya pada bagian daun yang rentan terhadap berbagai penyakit,   seperti brown spot, hispa, dan leaf blast. Di era yang semakin maju ini, teknologi,   terutama machine learning, berkembang pesat meningkatkan efisiensi pekerjaan  manusia  dalam  berbagai  bidang.  Salah  satunya  adalah  penggunaan  machine  learning  dalam  mengidentifikasi  penyakit  pada  tanaman  padi,  yang  dapat  mempercepat  proses  deteksi.  Computer  vision,  sebagai  cabang  dari  machine  learning,  terbukti  efektif  dalam  klasifikasi  citra  gambar.  Penerapan  computer  vision,  khususnya  melalui  model  Convolutional  Neural  Network  (CNN),   menjanjikan solusi yang efektif. Namun, tantangan muncul pada dataset tanaman  padi alam bebas, di mana fotofoto diambil langsung dari sawah.  Untuk mengatasi  hal  ini,  teknik  data  augmentation  menjadi  penting.  Data  augmentation  tidak  hanya mengatasi  overfitting  tetapi  juga  membantu  model memahami  dataset  yang  beragam.  Penelitian  ini  menerapkan  teknik  data  augmentation  seperti,   Tradisional Augmentation, Cutmix, Cutout, Mixup, dan FMix untuk meningkatkan  kinerja  model  deteksi  daun  padi.  Penelitian  ini  mengamati  bagaimana  kinerja  model dapat berubah dengan dan tanpa penggunaan teknik data augmentation.   Selain itu, penelitian ini mengidentifikasi jenis dataset daun padi yang cocok untuk  diimplementasikan  dengan  teknik  data  augmentation  yang  telah  ditentukan  sebelumnya. Eksplorasi ini bertujuan memberikan kontribusi pada deteksi efisien  penyakit pada tanaman padi pada alam bebas dengan penggunaan teknik Data  Augmentation  berbasis pencampuran untuk menunjukkan potensi  teknologi  ini  dalam pertanian.

English Abstract

Rice  (Oryza  sativa  L.)  is  one  type of  cultivated plant  that has  the  ability  to  adapt  to  various  environmental  conditions  and  is  a  staple  food  in  many  countries,  especially  in  Asia.  Although  rice  can  adapt  to  various  conditions,   it  can  also  be  attacked  by  diseases,  especially  on  the  leaves  that  are  susceptible  to  various  diseases,  such  as  brown  spot,  hispa,  and  leaf  blast.  On  current  technological  developments,  machine  learning  is  rapidly  improving  the  efficiency  of  human  work  in  various  fields.  Computer  vision,  as  a  branch  of  machine  learning,  has  proven  to  be  effective  in  image  classification.  The  application  of  computer  vision,  especially  through  the  Convolutional  Neural  Network  (CNN)  model,  promises  to  be  an  effective  solution.  However,   challenges  arisein  the  wild  rice  plant  dataset,  where  photographs  are  taken  directly  from  rice  fields.  To  overcome  this,  data  augmentation  techniques  become  important.  Data  augmentation  not  only  overcomes  overfitting  but  also  helps  the  model  understand  diverse  datasets.  This  research  applies  data  augmentation  techniques  such  as,  Cutmix,  Cutout,  Mixup,  and  FMix  to  improve  the  performance  of  the  rice  leaf  detection model.  This  study  observed  how  the  performance  of  the model  can  change  with  and  without  the  use  of  data  augmentation  techniques.  In  addition,  this  research  identifies  the  types  of  rice  leaf  datasets  that  are  suitable  to  be  implemented  with  the  MixedBased  data  augmentation  techniques.  This  research  aims  to  contribute  to  the  efficient  detection  of  disease  in  rice  plants  in  the  wild  with  the  use  of  MixedBased  Data  Augmentation  techniques  to  demonstrate  the  potential  of  this technology in agriculture.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150009
Uncontrolled Keywords:	Padi,  Machine  Learning,  Convolutional  Neural  Network  (CNN),   Computer Vision, Data Augmentation -Rice,  Machine  Learning,  Convolutional  Neural  Network  (CNN),   Computer Vision, Data Augmentation
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng Moelyono
Date Deposited:	13 Feb 2024 04:28
Last Modified:	13 Feb 2024 04:28
URI:	http://repository.ub.ac.id/id/eprint/214195

Text (DALAM MASA EMBARGO) Ahmad Luthfi Azmi Haikal.pdf Restricted to Registered users only Download (4MB)

Actions (login required)

View Item