APLIKASI DETEKSI PENYAKIT PADA DAUN BAWANG
MERAH MENGGUNAKAN METODE DEEP LEARNING
BERBASIS WEBSITE
Total View This Week0
Total View This Week0
Institusion
Politeknik Harapan Bersama
Author
Kurdi, Adhen
Subject
T Technology
Datestamp
2024-08-29 07:35:45
Abstract :
Penanganan penyakit pada daun bawang merah telah mengalami perkembangan signifikan melalui pemanfaatan teknologi, khususnya dalam bidang Computer Vision dan klasifikasi objek. Proyek ini mengimplementasikan metode klasifikasi Convolutional Neural Network (CNN) dan Deep Learning menggunakan arsitektur ResNet152V2, dengan tujuan mengembangkan model klasifikasi penyakit dan website yang dilengkapi fitur deteksi penyakit serta e-commerce untuk pembelian produk obat. Aplikasi deteksi penyakit ini menunjukkan efektivitas teknologi Deep Learning dengan akurasi 80% pada data validasi, sementara CNN menunjukkan akurasi 56%, menandakan performa yang kurang optimal. ResNet152V2 tanpa augmentasi data menghasilkan akurasi 66% dengan nilai loss 0.7545, sedangkan dengan augmentasi data mencapai akurasi 80% dan nilai loss 0.5031, menunjukkan peningkatan signifikan. Selain itu, RegNet mencapai akurasi pelatihan 82% dengan nilai loss 0.4484, EfficientNetV2 mencapai akurasi pelatihan 76% dan nilai loss 0.7401, sementara YOLOv8 menunjukkan peningkatan performa dengan box loss yang menurun dari 1.9 menjadi 1.3, class loss dari 6 menjadi sekitar 1, dan peningkatan mAP50 dari 0.3 menjadi lebih dari 0.7 serta mAP50-95 dari 0.1 hingga sekitar 0.4. Hasil pengujian ini menunjukkan keunggulan masing-masing model dalam klasifikasi penyakit daun bawang merah, dengan teknik augmentasi data, efisiensi arsitektur, dan metrik deteksi yang komprehensif sebagai faktor penting dalam meningkatkan performa model.
Penanganan penyakit pada daun bawang merah telah mengalami perkembangan signifikan melalui pemanfaatan teknologi, khususnya dalam bidang Computer Vision dan klasifikasi objek. Proyek ini mengimplementasikan metode klasifikasi Convolutional Neural Network (CNN) dan Deep Learning menggunakan arsitektur ResNet152V2, dengan tujuan mengembangkan model klasifikasi penyakit dan website yang dilengkapi fitur deteksi penyakit serta e-commerce untuk pembelian produk obat. Aplikasi deteksi penyakit ini menunjukkan efektivitas teknologi Deep Learning dengan akurasi 80% pada data validasi, sementara CNN menunjukkan akurasi 56%, menandakan performa yang kurang optimal. ResNet152V2 tanpa augmentasi data menghasilkan akurasi 66% dengan nilai loss 0.7545, sedangkan dengan augmentasi data mencapai akurasi 80% dan nilai loss 0.5031, menunjukkan peningkatan signifikan. Selain itu, RegNet mencapai akurasi pelatihan 82% dengan nilai loss 0.4484, EfficientNetV2 mencapai akurasi pelatihan 76% dan nilai loss 0.7401, sementara YOLOv8 menunjukkan peningkatan performa dengan box loss yang menurun dari 1.9 menjadi 1.3, class loss dari 6 menjadi sekitar 1, dan peningkatan mAP50 dari 0.3 menjadi lebih dari 0.7 serta mAP50-95 dari 0.1 hingga sekitar 0.4. Hasil pengujian ini menunjukkan keunggulan masing-masing model dalam klasifikasi penyakit daun bawang merah, dengan teknik augmentasi data, efisiensi arsitektur, dan metrik deteksi yang komprehensif sebagai faktor penting dalam meningkatkan performa model.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
