Penerapan Enhanced Deep Super Resolution Network (EDSR) Untuk Peningkatan Kualitas Citra Pada Klasifikasi Penyakit Tanaman Padi

Mustafidah, Altika Nur (2025) Penerapan Enhanced Deep Super Resolution Network (EDSR) Untuk Peningkatan Kualitas Citra Pada Klasifikasi Penyakit Tanaman Padi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002211044-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (15MB) | Request a copy

Abstract

Sebagai komoditas utama dalam sektor pertanian, tanaman padi yang merupakan bahan baku utama beras, menjadi makanan pokok bagi sebagian besar masyarakat Indonesia. Untuk menjaga ketahanan pangan nasional, klasifikasi penyakit tanaman padi penting dilakukan untuk menjaga produktivitas padi dengan membantu melakukan deteksi dini penyakit tanaman padi agar terhindar dari terjadinya gagal panen. Perkembangan teknologi dalam pengolahan citra digital membantu keterbatasan petani dalam menentukan penyakit tanaman padi dengan melakukan klasifikasi penyakit tanaman padi secara cepat dan otomatis. Dalam hal ini, penggunaan citra tanaman padi yang diambil dari jarak jauh akan lebih efisien dibandingkan citra yang berfokus pada per helai daun saja. Namun pengambilan citra dari jarak jauh berpotensi menghasilkan citra dengan resolusi rendah yang dapat menghambat kemampuan klasifikasi penyakit tanaman padi. Pada penelitian tugas akhir ini bertujuan untuk menerapkan model super resolusi Enhanced Deep Super Resolution Network (EDSR) untuk mengatasi permasalahan tersebut. Model EDSR memiliki kemampuan untuk meningkatkan kualitas citra berresolusi rendah dengan mempertahankan informasi penting pada citra untuk menghasilkan citra rekonstruksi yang lebih tajam. Pada model EDSR ini dilakukan teknik augmentasi data CutBlur untuk membantu model EDSR belajar lebih baik karena teknik ini menggabungkan bagian citra berresolusi rendah dan citra berresolusi tinggi sehingga model mampu mengontrol seberapa besar super resolusi perlu diterapkan pada setiap citra. Dengan menggunakan data citra tanaman padi berpenyakit, penelitian ini telah berhasil memperoleh model EDSR dengan nilai PSNR sebesar 31.28 dB dan SSIM 0.9466. Kemudian memperoleh model klasifikasi mencapai nilai akurasi sebesar 97.13% dengan menggunakan super resolusi EDSR. Nilai tersebut mengalami peningkatan jika dibandingkan tanpa menggunakan super resolusi dengan nilai akurasi yang didapat sebesar 96.41%.
====================================================================================================================================
As the main commodity in the agricultural sector, rice plants serve as the primary raw material for rice, which is the staple food for most Indonesians. To ensure national food security, classification of rice plant diseases is important to maintain rice productivity by helping to conduct early detection of rice plant diseases to avoid crop failure. The development of technology in digital image processing help overcome farmers’ limitations in identifying rice plant diseases by enabling rapid and automated rice plant disease classification. In this context, the use of rice plant images captured from a distance is more efficient than focusing solely on individual leaves. However, this method has the potential to produce low resolution images which can limit the ability to classify rice plant diseases. This final project research aims to apply the Enhanced Deep Super Resolution Network (EDSR) super resolution model to overcome these problems. EDSR has the capability to improve the quality of low resolution images by retaining important image information to produce sharper reconstructed images. In this EDSR model, the CutBlur data augmentation technique will be applied to help the EDSR model learn better as it combines parts of the low resolution image and the high resolution image so that the model is able to control how much super resolution needs to be applied to each image. By using image data of diseased rice plants, this final project has successfully obtained an EDSR model with a PSNR value of 31.28 dB and SSIM 0.9466. Then the classification model achieved an accuracy value of 97.13% using EDSR super resolution. This value has increased when compared to without using super resolution with an accuracy value obtained of 96.41%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penyakit Tanaman Padi, Klasifikasi, Super Resolusi, Augmentasi CutBlur, Enhanced Deep Super Resolution Network, Rice Plant Disease, Classification, Super Resolution, CutBlur Augmentation, Enhanced Deep Super Resolution Network
Subjects:	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) S Agriculture > SB Plant culture > SB191.R5 Rice farming
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Altika Nur Mustafidah
Date Deposited:	23 Jul 2025 07:51
Last Modified:	23 Jul 2025 07:51
URI:	http://repository.its.ac.id/id/eprint/120859

Actions (login required)

View Item