Jagung memiliki peran penting di Indonesia sebagai salah satu bahan makanan utama setelah beras. Di Indonesia, terdapat beberapa penyakit yang sering menyerang batang jagung meliputi penyakit busuk batang fusarium dan antraknosa. Untuk mencapai tujuan ini, metode Convolutional Neural Network (CNN) digunakan untuk mengklasifikasi citra batang normal, busuk batang antraknosa, dan busuk batang fusarium secara otomatis dengan pendekatan transfer learning. Arsitektur Visual Geometry Group (VGG) 19 dengan transfer learning dan fine-tuning diterapkan untuk skripsi ini. Dataset primer yang diperoleh berjumlah 300 citra digital, terdiri dari 100 citra tiap kelas (normal, anthracnose, dan fusarium). Tahapan yang diterapkan pada penelitian ini, yaitu segmentasi citra, augmentasi data, transfer learning VGG-19 hingga fine-tuning model untuk penyesuaian dataset. Segmentasi citra dilakukan dengan teknik thresholding, beserta operasi morfologi closing, dan juga masking untuk menghapus background citra. Augmentasi data dengan perlakuan skew (magnitude 0,15), rotate (range -3° – 3°), zoom (range 0,95 – 1,05), dan brightness (range 0,75 – 1,25), untuk memperbanyak variasi data citra hingga 960 citra. Skenario pengujian dilakukan menggunakan arsitektur pre-trained VGG-19 dan fine-tuned VGG-19, yang menggunakan rasio pembagian data train : test, yaitu 80%:20%. Selanjutnya dari 80% data train dibagi menjadi 80% train : 20% validation menggunakan metode K-fold Cross Validation sebanyak 5 fold. Konfigurasi parameter training model yang digunakan, yakni max epoch 50, batch size 32, dengan optimizer Gradient Descent with Momentum (learning rate 0,001). Dari hasil uji coba, model terbaik didapat dari VGG-19 Fine-tuned menggunakan pre-trained weight ImageNet pada fold ke-5. Accuracy, precision, recall, f1-score, dan AUC score dari model terbaik tersebut adalah 98.33%, 98.42%, 98.33%, 98.33%, dan 1.000, yang dicapai dalam 160 detik (lebih cepat 241 detik dibandingkan VGG-19 Default). Berdasarkan nilai AUC tersebut, dapat dikatakan model melakukan klasifikasi dengan sangat baik.


Deskripsi Lain

Maize has an important role in Indonesia one of the main food ingredients after rice. In Indonesia, there are several diseases that often attack maize stalks, including fusarium stem rot and anthracnose. To achieve this goal, the Convolutional Neural Network (CNN) method is used to automatically classify images of normal stems, anthracnose stem rot, and fusarium stem rot using a transfer learning approach. The Visual Geometry Group (VGG) 19 architecture with transfer learning and fine-tuning is applied for this thesis. The primary dataset obtained consisted of 300 digital images, consisting of 100 images for each class (normal, anthracnose, and fusarium). The stages applied in this research are image segmentation, data augmentation, VGG-19 transfer learning and fine-tuning the model for adjusting the dataset. Image segmentation is carried out using thresholding techniques, along with morphological closing operations, and masking to remove the image background. Data augmentation with skew (magnitude 0.15), rotate (range -3° – 3°), zoom (range 0.95 – 1.05), and brightness (range 0.75 – 1.25) ), to increase the variety of image data up to 960 images. The test scenario was carried out using the pre-trained VGG-19 and fine-tuned VGG-19 architecture, which uses a train: test data sharing ratio, namely 80%:20%. Next, the 80% train data is divided into 80% train: 20% validation using the K-fold Cross Validation method for 5 folds. The model training parameter configuration used is max epoch 50, batch size 32, with the Gradient Descent with Momentum optimizer (learning rate 0.001). From the test results, the best model was obtained from VGG-19 Fine-tuned using ImageNet pre-trained weights on the 5th fold. The accuracy, precision, recall, f1-score, and AUC scores of the best model were 98.33%, 98.42%, 98.33%, 98.33%, and 1,000, which were achieved in 160 seconds (241 seconds faster than VGG-19 Default). Based on the AUC value, it can be said that the model performs classification very well.

• KLASIFIKASI TINGKAT DIABETIC RETINOPATHY MENGGUNAKAN K-NEAREST NEIGHBORS DAN MOMENT INVARIANS BERBASIS FITUR
• KLASIFIKASI TINGKAT DIABETIC RETINOPATHY BERBASIS HYBRID METHOD MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
• Klasifikasi Kompleksitas Visual Citra Sampah Menggunakan Kombinasi Convolutional Neural Network dan Handcrafted Features
• Klasifikasi Citra Penyakit Tanaman Jagung Menggunakan Convolutional Neural Network AlexNet dan SqueezeNet
• KLASIFIKASI CITRA HURUF HIJAIYAH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)