Penerapan Enhanced Super-Resolution Generative Adversarial Networks Untuk Meningkatkan Kualitas Citra Udara Dalam Identifikasi Penyakit Tanaman

Putra, Al Fatoni Nugroho (2024) Penerapan Enhanced Super-Resolution Generative Adversarial Networks Untuk Meningkatkan Kualitas Citra Udara Dalam Identifikasi Penyakit Tanaman. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6002221017-Master_Tesis.pdf - Accepted Version Restricted to Repository staff only until 2 February 2026. Download (36MB) | Request a copy

Abstract

Identifikasi penyakit pada tanaman padi merupakan elemen penting dalam menjaga produktivitas hasil pertanian di Indonesia, yang bergantung pada produksi beras sebagai komoditas vital. Keterbatasan metode konvensional dalam pemantauan dan identifikasi penyakit pada padi telah mendorong penggunaan teknologi yang lebih canggih. Dalam konteks ini, citra udara yang diambil dengan bantuan drone menjadi alternatif yang menjanjikan dan memungkinkan pemantauan area yang berpenyakit pada lahan pertanian secara lebih efisien. Namun, citra udara menghasilkan resolusi rendah saat diperbesar yang membatasi kemampuan dalam mengidentifikasi penyakit pada tahap awal. Tesis ini bertujuan untuk mengatasi keterbatasan tersebut dengan menerapkan metode Enhanced Super Resolution Generative Adversarial Networks (ESRGAN). Metode ini memiliki potensi untuk meningkatkan resolusi citra udara yang didapatkan dari drone dan dengan demikian, meningkatkan ketajaman citra tersebut untuk dapat mengidentifikasi penyakit dengan baik. Dalam latar belakang yang sangat relevan dengan Indonesia, di mana pertanian berperan besar dalam mata pencaharian dan produksi pangan. Melalui penggunaan drone sebagai alat pengambil data citra udara, serta penerapan ESRGAN, penelitian ini telah berhasil mendapatkan hasil model ESRGAN dengan perolehan PSNR sebesar 34,63 dan SSIM sebesar 0,95. Dan juga berhasil mengidentifikasi penyakit pada citra udara dengan hasil akurasi tertinggi yaitu sebesar 86,90%. Serta hasil akhir pada uji coba citra udara menghasilkan tingkat akurasi tertinggi sebesar 76,92%.
====================================================================================================================================
Disease identification in rice plants is an important element in maintaining agricultural productivity in Indonesia, which relies on rice production as a vital commodity. The limitations of conventional methods in monitoring and identifying diseases in rice have encouraged the use of more sophisticated technologies. In this context, aerial imagery captured with the help of drones is a promising alternative and enables more efficient monitoring of diseased areas on farms. However, aerial imagery produces low resolution when zoomed in which limits the ability to identify diseases at an early stage. This thesis aims to overcome such limitations by applying the Enhanced Super Resolution Generative Adversarial Networks (ESRGAN) method. This method has the potential to increase the resolution of drone-acquired aerial imagery and thus, increase the sharpness of the imagery for better disease identification. The background is particularly relevant to Indonesia, where agriculture plays a major role in livelihoods and food production. Through the use of drones as a means of capturing aerial image data, as well as the application of ESRGAN, this research has succeeded in obtaining ESRGAN model results with the acquisition of PSNR of 34,63 and SSIM of 0,95. And also managed to identify diseases in aerial images with the highest accuracy result of 86,90%. And the final results on the aerial image trial resulted in the highest accuracy rate of 76,92%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Rice Plant Diseases, Aerial Image, Enhanced Super Resolution Generative Adversarial Networks, Penyakit Tanaman Padi, Citra Udara, Enhanced Super Resolution Generative Adversarial Network
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > Q Science (General) > Q337.5 Pattern recognition systems Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.6 Computer programming. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44101-(S2) Master Thesis
Depositing User:	Al Fatoni Nugroho Putra
Date Deposited:	12 Feb 2024 02:15
Last Modified:	12 Feb 2024 02:15
URI:	http://repository.its.ac.id/id/eprint/105908

Actions (login required)

View Item