Electronic Theses and Dissertation
Universitas Syiah Kuala
DISSERTATION
PENGEMBANGAN CONCISE CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI PENYAKIT TANAMAN BERDASARKAN CITRA DAUN
Pengarang
Arnes Sembiring - Personal Name;
Dosen Pembimbing
Yuwaldi Away - 196412061990021001 - Dosen Pembimbing I
Fitri Arnia - 197311121999032001 - Dosen Pembimbing II
Rusdha Muharar - 197804182006041003 - Dosen Pembimbing III
Nomor Pokok Mahasiswa
1809300060003
Fakultas & Prodi
Fakultas Pasca Sarjana / Program Doktor Ilmu Teknik (S3) / PDDIKTI : 20003
Subject
Penerbit
Banda Aceh : Program Doktor Ilmu Teknik (S3)., 2023
Bahasa
Indonesia
No Classification
621.39
Literature Searching Service
Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)
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.
One of the most essential parts of a smart farming system is the ability to classify plant types and diseases. Convolutional Neural Network (CNN) has been widely used for plant classification because its performance outperforms that of many other algorithms. However, the CNN architecture with a large number of parameters continues to dominate its use, posing serious challenges in the efficiency of large-scale implementations. In this dissertation, a concise CNN architecture for classifying plants based on leaf images was proposed. The proposed architecture's performance was compared to five CNN architectures known to be relatively concise and reliable, namely Squeezenet (1.24M parameters), Shufflenet (1.4M parameters), Mobilenet-v2 (3.5M parameters), NASNet (5.3M parameters), and Googlenet ( 7.0M parameters). The performance of all involved CNN architectures was evaluated on the PlantVillage dataset with 38 classes using a computer with an Intel core i5 CPU @ 2.7 GHz and 16GB RAM. The performance of different architectures was compared using classification accuracy, classification time per image, the number of parameters, and FLOPs per image values. The proposed architecture, named SlimPlantNet, was a concise CNN built by parallelizing two CNN channels with different filter sizes. The channel parallelization proposed in this study has been shown to improve CNN performance while retaining fewer parameters and a faster classification time than all comparison architectures. The accuracy of the classification task for 10 types of tomato leaves was 99.12%, 99.87% for 14 classes of different types of plants, and 98.81% for 38 classes, which was similar to the accuracy of the comparison architectures. SlimPlantNet's classification time per image was 5.7 times faster than Squeezenet, the fastest comparison architecture in this study, and SlimPlantNet has 5.4 times fewer parameters than Squeezenet. SlimPlantNet's FLOPs were three times lower than Shufflenet, the comparison architecture with the lowest FLOPs.
DETEKSI PENYAKIT BERCAK DAUN DAN JASSID PADA DAUN TERUNG MENGGUNAKAN ARSITEKTUR RESIDUEL NETWORK (RESNET)-50 DAB EFFICIENNET B4 (Teuku Al-Qusairy, 2024)
PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) PADA KLASIFIKASI PENYAKIT TANAMAN CABAI (PUTRI NAZWA SAFIRA, 2024)
DETEKSI PENYAKIT EARLY DAN LATE BLIGHT PADA DAUN KENTANG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR RESNET50 DAN EFFICIENTNETB4 (Khassah alfania, 2024)
IMPLEMENTASI AUGMENTASI GENERATIVE ADVERSARIAL NETWORK PADA METODE MOBILENET UNTUK KLASIFIKASI ANAK STUNTING (CUT NANDA NURUL MEURISYAH, 2024)
PERBANDINGAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK LENET-5 DAN ALEXNET DALAM PENGENALAN KARAKTER PLAT NOMOR KENDARAAN BERMOTOR (Firman Maulana Adhari, 2021)