Arnes Sembiring Primary Author mixed material bibliography Banda Aceh Program Doktor Ilmu Teknik (S3) 2023 id Indonesia

Dissertation

Kemampuan mengklasifikasikan jenis dan penyakit tanaman merupakan salah satu bagian inti dari sebuah sistem pertanian pintar (smart farming). Penggunaan Convolutional Neural Network (CNN) untuk klasifikasi tanaman telah banyak dilakukan karena performanya yang melampaui banyak algoritma lain. Namun penggunaan CNN tersebut masih didominasi oleh arsitektur CNN dengan jumlah parameter besar sehingga menghadapi tantangan berat dalam efisiensi implementasi skala luas. Pada disertasi ini diajukan arsitektur CNN yang ringkas yang dapat mengklasifikasikan tanaman berdasarkan citra daunnya. Pembanding terhadap performa arsitektur yang diusulkan adalah lima buah arsitektur CNN yang dikenal relatif ringkas dan handal yaitu Squeezenet (1.24M parameter), Shufflenet (1.4M parameter), Mobilenet-v2 (3.5M parameter), NASNet (5.3M parameter) dan Googlenet (7.0M parameter). Performa seluruh arsitektur CNN yang terlibat diuji menggunakan komputer dengan CPU Intel core i5 @ 2.7 GHz dan RAM 16GB untuk tugas klasifikasi pada dataset PlantVillage yang terdiri dari 38 kelas. Perbandingan kinerja antar arsitektur dilakukan menggunakan akurasi klasifikasi, waktu klasifikasi per citra, jumlah parameter dan nilai FLOPs per citra. Arsitektur usulan pada penelitian ini, yang bernama SlimPlantNet, merupakan CNN ringkas yang dibangun dari paralelisasi dua kanal CNN berbeda ukuran filter untuk mengekstrak fitur pada skala yang berbeda. Paralelisasi yang diajukan di penelitian ini terbukti meningkatkan performa CNN dengan tetap mempertahankan jumlah parameter dan FLOPs yang lebih sedikit dan waktu klasifikasi yang lebih cepat dari semua arsitektur pembanding. Akurasi pada tugas klasifikasi terhadap 10 jenis daun tomat mencapai 99,12%, pada 14 kelas tanaman berbeda jenis mencapai 99,87% dan pada 38 kelas mencapai 98,81%, relatif sama dengan akurasi arsitektur pembanding. Waktu klasifikasi per citra SlimPlantNet 5,7 kali lebih cepat dari Squeezenet yang merupakan arsitektur pembanding paling cepat pada studi ini dan jumlah parameter SlimPlantNet 5,4 kali lebih sedikit dari Squeezenet. Nilai FLOPs SlimPlantNet 3 kali lebih sedikit dari arsitektur pembanding dengan nilai FLOPs paling kecil, Shufflenet. COMPUTER ENGINEERING 621.39 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 110241 2023-04-04 11:47:34 2023-05-24 09:44:31 machine generated