Klasifikasi Penyakit Pada Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN) Dengan Weighted Loss

Ahadian, Krisnanda and Dr. Eng. Novanto Yudistira, S.Kom., M.Sc. and Bayu Rahayudi, S.T., M.M (2024) Klasifikasi Penyakit Pada Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN) Dengan Weighted Loss. Sarjana thesis, Universitas Brawijaya.

Abstract

Jagung merupakan komoditas serbaguna yang memiliki berbagai kegunaan dalam industri makanan maupun pakan hewan. Penggunaannya sebagai pakan hewan memenuhi separuh dari total permintaan. Namun demikian, budidaya jagung sering menghadapi kegagalan panen karena keterlambatan dalam pengelolaan penyakit atau pengetahuan yang kurang mengenai penyakit-penyakit ini, yang menghambat tindakan cepat. Kemajuan teknologi, khususnya dalam Machine Learning, menawarkan solusi untuk mengatasi masalah ini. Dalam penelitian ini, CNN (Convolutional Neural Network) akan mengklasifikasikan penyakit-penyakit tanaman jagung. Dua dataset digunakan. Yang pertama berisi 4144 gambar yang terbagi dalam 4 kelas, sementara yang kedua terdiri dari 5155 gambar yang terbagi dalam 7 hingga 8 kelas. Dataset kedua menghadapi masalah distribusi kelas yang tidak seimbang, di mana beberapa kelas memiliki data yang jauh lebih banyak dibandingkan kelas lain. Untuk mengatasi hal ini, metode weighted cross-entropy loss diterapkan. Tiga model arsitektur yang digunakan adalah ResNet-18, VGG16, dan EfficientNet. Penggunaan optimizer yang berbeda juga dieksplorasi. Kedua dataset mencapai akurasi tertinggi menggunakan optimisasi SGD (Stochastic Gradient Descent). Untuk dataset pertama, hasil terbaik dicapai dengan arsitektur VGG16, menggunakan frozen layer di tahap klasifikasi, mencapai akurasi 97.146%. Sedangkan untuk dataset kedua, hasil paling menguntungkan diperoleh dengan menggunakan arsitektur EfficientNet tanpa frozen layer dan menerapkan loss yang bobotnya disesuaikan karena ketidakseimbangan kelas, mencapai akurasi 94.798%.

English Abstract

Corn is a versatile commodity, serving various purposes in both food and animal feed industries. Its utilization as animal feed meets half of the total demand. Nonetheless, corn cultivation frequently encounters crop failures due to delayed disease management or inadequate knowledge about these diseases, hindering prompt action. Technological advancements, particularly in Machine Learning, offer solutions to address these issues. In this research, CNN (Convolutional Neural Network) will classify corn plant diseases. Two datasets are utilized. The first contains 4144 images distributed across 4 classes, while the second encompasses 5155 images distributed among 7 to 8 classes. The second dataset encounters imbalanced class distribution issues, with certain classes having substantially more data than others. To resolve this, the weighted cross-entropy loss method is employed. Three distinct architectural models - ResNet-18, VGG16, and EfficientNet-b0 - are tested. Different optimizers are also explored. Both datasets achieve peak accuracy using the SGD (Stochastic Gradient Descent) optimization. For the first dataset, the best outcome is attained with the VGG16 architecture, utilizing a frozen layer in the classification stage, achieving 97.146% accuracy. Regarding the second dataset, the most favorable outcome is obtained using the EfficientNet-b0 architecture without a frozen layer and implementing weighted loss due to class imbalance, achieving an accuracy of 94.798%.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150119
Uncontrolled Keywords:	Penyakit Tanaman Jagung, Klasifikasi, Convolutional Neural Network, Weighted Loss, Pembelajaran Mesin-Corn Disease, Classification, Convolutional Neural Network, Weighted Loss, Machine Learning
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	23 Feb 2024 07:23
Last Modified:	23 Feb 2024 07:23
URI:	http://repository.ub.ac.id/id/eprint/215746

Text (DALAM MASA EMBARGO) Krisnanda Ahadian.pdf Restricted to Registered users only Download (4MB)

Actions (login required)

View Item