Implementasi Enhanced Super-Resolution Generative Adversarial Networks dalam Identifikasi Penyakit pada Daun Kentang

Farrel, Timmothy (2025) Implementasi Enhanced Super-Resolution Generative Adversarial Networks dalam Identifikasi Penyakit pada Daun Kentang. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002211118-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (11MB) | Request a copy

Abstract

Identifikasi penyakit pada daun kentang penting untuk mencegah penurunan hasil panen. Salah satu upaya yang dilakukan untuk mengatasi permasalahan tersebut adalah deteksi dini penyakit tanaman berbasis deep learning. Namun, citra beresolusi rendah sering kali membatasi akurasi deteksi penyakit. Penelitian ini mengimplementasikan Enhanced Super-Resolution Generative Adversarial Networks (ESRGAN) untuk meningkatkan resolusi citra sebelum diklasifikasikan menggunakan model EfficientNetV2-S. Dataset citra yang digunakan adalah data sekunder dari Kaggle yang terdiri dari tiga kelas, yaitu daun sehat, daun berpenyakit early blight, dan daun berpenyakit late blight. ESRGAN dilatih untuk merekonstruksi citra beresolusi tinggi dari citra beresolusi rendah melalui dua skenario pelatihan: default dan pixel-dominant, dengan memodifikasi bobot fungsi loss. Selanjutnya, citra hasil super-resolusi digunakan pada tahap pengujian untuk mengevaluasi pengaruhnya terhadap performa model klasifikasi yang telah dilatih secara terpisah sebelumnya. Hasil penelitian menunjukkan bahwa model ESRGAN dengan skenario default mampu menghasilkan citra dengan kualitas perseptual yang lebih baik, ditunjukkan oleh nilai LPIPS sebesar 0.1398. Sementara itu, skenario pixel-dominant menghasilkan nilai PSNR dan SSIM yang lebih tinggi, yaitu masing-masing sebesar 22.9620 dan 0.4291. Pada tahap pengujian, peningkatan akurasi yang signifikan dicapai saat model EfficientNetV2-S diuji menggunakan citra super-resolusi dari skenario default, yakni dari 68.00% pada citra resolusi rendah menjadi 91.33%, disertai penurunan nilai loss dari 0.84819 menjadi 0.22250. Hasil penelitian ini menunjukkan bahwa peningkatan kualitas citra, terutama dari sisi perseptual, sangat berpengaruh terhadap akurasi deteksi penyakit pada daun kentang.
=======================================================================================================================================
Early identification of diseases in potato leaves is crucial to prevent yield loss. One approach to address this issue is early disease detection using deep learning. However, low resolution images often limit the accuracy of disease detection. This study implements Enhanced Super-Resolution Generative Adversarial Networks (ESRGAN) to enchance image resolution prior to classification using the EfficientNetV2-S model. The dataset used is a secondary image dataset from Kaggle, consisting of three classes: healthy leaves, leaves with early blight, and leaves with late blight. ESRGAN was trained to reconstruct high-resolution images from low-resolution inputs under two scenarios: default and pixel-dominant, by modifying the loss function weights. The resulting super-resolved images were then used in the testing phase to evaluate their impact on a separately trained classification model. The results show that the ESRGAN model under the default scenario produced images with better perceptual quality, indicated by an LPIPS score of 0.1398. Meanwhile, the pixel-dominant scenario achieved higher PSNR and SSIM values, namely 22.9620 and 0.4291, respectively. In the classification testing using EfficientNetV2-S, a significant increase in accuracy was observed when the model was tested with super-resolved images from the default scenario, from 68.00% (on low-resolution images) to 91.33%, along with a drop in loss value from 0.84819 to 0.22250. These findings indicate that improving image quality, particularly from a perceptual standpoint, can substantially enhance the accuracy of disease detection in potato leaves.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	ESRGAN, EfficientNetV2, Super-Resolution, Identifikasi Penyakit, Kentang
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Timmothy Farrel
Date Deposited:	01 Aug 2025 07:49
Last Modified:	01 Aug 2025 07:49
URI:	http://repository.its.ac.id/id/eprint/125897

Actions (login required)

View Item