Penerapan Faster Region-based Convolutional Neural Network untuk Identifikasi Penyakit pada Citra Daun Padi

Anggoro, Vani Krismo (2023) Penerapan Faster Region-based Convolutional Neural Network untuk Identifikasi Penyakit pada Citra Daun Padi. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6002201001-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (6MB) | Request a copy

Abstract

Padi adalah salah satu komoditas pangan yang menghasilkan beras dan menjadi komoditas tertinggi yang dikonsumsi masyarakat Indonesia dibandingkan komoditas pangan lainnya. Dalam berbudidaya tanaman padi, petani tidak akan terlepas dari hama ataupun penyakit yang menyerang semua bagian tanaman padi, termasuk daun padi. Hama dan penyakit yang sering menyerang daun padi diantaranya seperti, Blast, bercak coklat dan lain sebagainya. Kurangnya pengetahuan terhadap penyakit yang menyerang daun padi adalah penyebab keterlambatan proses diagnosis dan penanganan sehingga menyebabkan terjadinya gagal panen dan produksi beras menurun. Oleh karena itu sangat diperlukan alat untuk membantu petani mengenali penyakit pada daun padi secara otomatis. Dengan pendekatan pengolahan citra digital menggunakan deep learning dapat membantu proses pengenalan penyakit pada daun padi. Pada tesis ini digunakan Faster Region-based Convolutional Neural Network (Faster R-CNN) untuk mengidentifikasi penyakit pada citra daun padi. Uji coba dilakukan menggunakan beberapa kombinasi arsitertur Faster R-CNN yang melalui tahap training untuk memperoleh kinerja model terbaik. Tahapan yang dilakukan pada tesis ini yang pertama adalah tahap pre-processing, yaitu tahap memberikan label anotasi pada data yang digunakan untuk tahap pelatihan. Tahap kedua yaitu tahap pelatihan untuk melatih sistem Faster R-CNN, dan tahap ketiga adalah tahap pengujian dan perhitungan akurasi. Hasil pengujian menunjukkan akurasi terbaik sebesar 98,2% terhadap 215 data uji coba yang digunakan. Kemudian juga digunakan uji coba
menggunakan data jarak jauh yang dikenakan super-resolusi terlebih dahulu.Namun, hasil pengujian yang diperoleh masih terdapat banyak data yang tidak teridentifikasi oleh sistem.
================================================================================================================================
Rice is the highest consumed food commodity by Indonesians compared to other commodities. In cultivating rice plants, farmers will encounter pests or diseases that attack parts of the plants, including the leaves. Pests and diseases that often attack rice leaves are Blast, Brown spot, etc. Lack of knowledge about diseases that attack rice leaves is the cause of delays in the diagnosis and treatment process, causing crop failure and rice production to decline. Therefore, a tool is needed to help farmers recognize rice leaf diseases automatically. Using a digital image processing approach through deep learning can help the process of recognizing diseases in rice leaves. In this study, the Faster Region-based Convolutional Neural Network (Faster R-CNN) was used to identify diseases in rice leaf images. The trials were carried out using several combinations of Faster R-CNN architectures that went through the training stage to obtain the best model performance. The stage in this thesis, the first is pre-processing, the stage of giving annotation labels to the data used for the training stage. The second stage is training the Faster R-CNN system, and the last stage is testing and calculating accuracy. The test results show the best accuracy of 98.2% of the 215 trial data used. Then also used a trial using data taken from a distance which was given super-resolution first. However, the test result obtained still contains a lot of data that is not identified by the system.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Rice leaf diseases, Faster R-CNN, Penyakit daun padi, deep learning, Convolutional Neural Network
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. 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 > 44101-(S2) Master Thesis
Depositing User:	Vani Krismo Anggoro
Date Deposited:	16 Feb 2023 02:17
Last Modified:	16 Feb 2023 02:17
URI:	http://repository.its.ac.id/id/eprint/97405

Actions (login required)

View Item