Anggara, M. Revaldi Prakha (2020) TA: TRANSFER LEARNING DENGAN MODEL ARSITEKTUR VGG16 DAN INCEPTION-V3 UNTUK KLASIFIKASI PENYAKIT DAUN KENTANG. Skripsi thesis, Institut Teknologi Nasional Bandung.

Preview	Text (Cover) 01.pdf Download (866kB) | Preview
Preview	Text (Abstrak) 02.pdf Download (60kB) | Preview
Preview	Text (Daftar Isi) 03.pdf Download (148kB) | Preview
Preview	Text (Bab 1) 04.pdf Download (134kB) | Preview
Preview	Text (Bab 2) 05.pdf Download (2MB) | Preview
Preview	Text (Daftar Pustaka) 06.pdf Download (135kB) | Preview

Abstract

Diagnosis dini penyakit tanaman yang dilakukan oleh para ahli dalam tes laboratorium seringkali tidak dapat diterapkan untuk implementasi yang cepat dan murah. Menggunakan deep learning, gambar daun digunakan sebagai input data. Melatih model deep learning memerlukan dataset besar yang sulit didapat untuk melakukan tugas tersebut agar mencapai hasil yang optimal. Pada penelitian ini, digunakan dataset PlantVillage berjumlah 2700 data latih dan 300 data validasi. Data dilatih sebanyak 100 epoch menggunakan metode transfer learning dengan model VGG16 dan InceptionV3. Pada lapisan atas kedua model diterapkan MLP yang sama dengan beberapa parameter yaitu size of FC serta dropout rate untuk membandingkan kinerja model. Berdasarkan pengujian menggunakan 150 data IVEGRI, model VGG16 dapat menggeneralisasi data lebih baik daripada InceptionV3. VGG16 dengan melakukan tuning pada blok-3 menggunakan parameter Size of FC 4096x2 dan dropout 0.4 menunjukan peroforma terbaik dengan skor rata-rata precision, recall, f1-score masing-masing 100%, dan akurasi 100%. Kemudian dengan parameter yang sama, model Inception-v3 dengan tuning pada modul inception mixed6 menunjukan performa terbaik dengan skor rata-rata prcision 93%, rata-rata recall 92%, rata-rata f1-score 92%, dan akurasi sebesar 92%. Kata Kunci : Deep Learning, Transfer Learning, Klasifikasi Penyakit Daun Kenta

Actions (login required)

View Item