Rancang Bangun Sistem Identifikasi Nematoda di Indonesia Menggunakan Faster R-CNN

Angeline, Natalia (2022) Rancang Bangun Sistem Identifikasi Nematoda di Indonesia Menggunakan Faster R-CNN. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img]
Preview
PDF
HALAMAN_AWAL.pdf

Download (278kB) | Preview
[img]
Preview
PDF
DAFTAR_PUSTAKA.pdf

Download (79kB) | Preview
[img]
Preview
PDF
BAB_I.pdf

Download (69kB) | Preview
[img]
Preview
PDF
BAB_II.pdf

Download (382kB) | Preview
[img]
Preview
PDF
BAB_III.pdf

Download (343kB) | Preview
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (546kB)
[img]
Preview
PDF
BAB_V.pdf

Download (59kB) | Preview
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (325kB)

Abstract

Penggunaan pestisida kimia bisa berbahaya bagi lingkungan, tumbuhan, dan juga manusia sebagai konsumen nya. Oleh karena itu dibutuhkan penggantian pestisida kimia dengan alternatif lain, salah satunya adalah dengan memelihara organisme alami seperti nematoda non-parasit bagi tanaman yang dapat mengganggu hama lain sehingga mengurangi persebaran hama dan juga dapat membantu kerja akar untuk mengangkut zat hara dari tanah. Namun tidak semua nematoda merupakan nematoda yang baik bagi tumbuhan melainkan ada pula nematoda yang bersifat parasit bagi tumbuhan. Oleh karena itu diperlukan sistem deteksi dan identifikasi nematoda yang bersifat parasit dan non-parasit. Berdasarkan penelitian yang sudah ada, data yang digunakan merupakan nematoda dari luar Indonesia, oleh karena itu masih kurang cocok untuk digunakan untuk lingkungan tanam di Indonesia karena bisa terjadi perbedaan jenis dan bentuk nematoda. Penelitian ini akan menggunakan dataset baru dengan data nematoda dari Indonesia dengan bantuan dari Bagian Nematologi, Laboratorium Ilmu Hama Tumbuhan, Departemen Proteksi Tanaman, Fakultas Pertanian UGM. Selanjutnya dataset baru akan dilakukan augmentasi untuk memperbanyak data sehingga lebih bervariasi dan hasil training dapat menjadi lebih baik. Selain itu penelitian ini akan menggunakan metode Faster R-CNN ResNet101 sebagai inovasi terbaru dari metode CNN dan telah melewati beberapa pertimbangan sesuai dengan kondisi penelitian yang juga dikombinasikan dengan metode untuk klasifikasi.

Item Type: Thesis (Bachelor Thesis)
Keywords: Nematoda, Tumbuhan, Faster R-CNN, Dataset, ResNet 101
Subjects: 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++
Divisions: Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 20 Jul 2022 03:30
Last Modified: 10 May 2023 05:52
URI: https://kc.umn.ac.id/id/eprint/21706

Actions (login required)

View Item View Item