PERBANDINGAN KINERJA CONVOLUTIONAL NEURAL NETWORK DAN TRANSFER LEARNING MOBILENETV2 PADA DETEKSI PENYAKIT TANAMAN MAWAR

• Main Author: Alang Sati Nan Tongga, - (Author)
• Format: Book
• Published: 2023-07-31.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/97086/8/S_RPL_1904033_Title.pdf; http://repository.upi.edu/97086/2/S_RPL_1904033_Chapter1.pdf; http://repository.upi.edu/97086/3/S_RPL_1904033_Chapter2.pdf; http://repository.upi.edu/97086/4/S_RPL_1904033_Chapter3.pdf; http://repository.upi.edu/97086/5/S_RPL_1904033_Chapter4.pdf; http://repository.upi.edu/97086/6/S_RPL_1904033_Chapter5.pdf; http://repository.upi.edu/97086/7/S_RPL_1904033_Appendix.pdf
• Keywords: L Education (General); N Visual arts (General) For photography, see TR; QA76 Computer software; T Technology (General)

Dalam bidang patologi tanaman, model deep learning telah digunakan untuk mendeteksi penyakit bintik hitam pada tanaman mawar menggunakan hyperspectral imaging dengan menggunakan arsitektur convolutional neural network (CNN). Namun, untuk mendapatkan model dengan akurasi yang baik masih menjadi permasalahan, terutama dengan tipe model untuk klasifikasi gambar. Beberapa arsitektur CNN yang digunakan dalam deteksi penyakit pada tanaman diantaranya InceptionV3, InceptionResNetV2, MobileNetV2, dan EfficientNetB0. Diantara ketiga model tersebut, MobileNetV2 dan EfficientNetB0 memerlukan waktu pelatihan paling sedikit, dengan MobileNetV2 menghasilkan model dengan ukuran paling kecil serta penggunaan komputasi paling sedikit. Metode yang dipakai untuk menggunakan arsitektur MobileNetV2 ini adalah metode transfer learning karena memiliki kelebihan seperti dapat meningkatkan performa pelatihan, mengurangi overfitting serta mengurangi waktu pelatihan. Penelitian ini bertujuan untuk membandingkan kinerja model CNN yang menggunakan dan tidak menggunakan metode transfer learning MobileNetV2 untuk menemukan manfaat penggunaan metode tersebut dalam meningkatkan akurasi dan skor evaluasi model. Objek yang diteliti adalah dengan mendeteksi penyakit pada tanaman mawar. Dataset yang digunakan adalah dataset FlowerNet yang berasal dari situs web Mendeley Data. Kemudian model CNN dengan transfer learning MobileNetV2 yang telah dibuat akan dilakukan hyperparameter tuning untuk meningkatkan akurasi dari model deteksi penyakit pada tanaman mawar ini. Hasilnya adalah model CNN dengan metode transfer learning MobileNetV2 mengalami peningkatan akurasi cukup signifikan sebesar 89,02% lebih tinggi dibandingkan dengan model CNN tanpa metode transfer learning MobileNetV2 dengan akurasi 77,88%. Namun nilai FLOPS dan ukuran model lebih besar. Setelah itu dilakukan hyperparameter tuning pada model CNN dengan transfer learning MobileNetV2 dengan akurasi akhir mencapai 89,25%. ------- In the field of plant pathology, deep learning models have been used to detect black spot disease on rose plants using hyperspectral imaging with convolutional neural network (CNN) architectures. However, obtaining a model with good accuracy still remains a challenge, especially with types of models for image classification. Some of the CNN architectures used for disease detection in plants are InceptionV3, InceptionResNetV2, MobileNetV2, and EfficientNetB0. Among these models, MobileNetV2 and EfficientNetB0 require the least training time, with MobileNetV2 producing the smallest model size and requiring the least computational resources. The method used to implement the MobileNetV2 architecture is transfer learning, which has advantages such as improving training performance, reducing overfitting, and minimizing training time. This research aims to compare the performance of CNN models using MobileNetV2 with and without transfer learning to identify the benefits of using this method in enhancing accuracy and model evaluation scores. The object of study is the detection of diseases in rose plants. The dataset used is the FlowerNet dataset from the Mendeley Data website. Next, the CNN model with MobileNetV2 transfer learning is subjected to hyperparameter tuning to improve the accuracy of disease detection in rose plants. The results indicate that the CNN model with MobileNetV2 transfer learning achieved increased accuracy of 89.02%, higher than the CNN model without MobileNetV2 transfer learning, with an accuracy of 77.88%. But have higher FLOPS values and model size. After hyperparameter tuning, the final accuracy of the CNN model with MobileNetV2 transfer learning reached 89.25%.