Klasifikasi Nematoda Parasit Tanaman pada Gambar Mikroskopik Menggunakan Deep Learning

Lika, Ryukin Aranta (2022) Klasifikasi Nematoda Parasit Tanaman pada Gambar Mikroskopik Menggunakan Deep Learning. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (575kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (348kB) | Preview
Preview	PDF BAB_I.pdf Download (185kB) | Preview
Preview	PDF BAB_II.pdf Download (481kB) | Preview
Preview	PDF BAB_III.pdf Download (501kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (981kB)
Preview	PDF BAB_V.pdf Download (175kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (352kB)

Abstract

Nematoda adalah klasifikasi filum hewan yang memiliki variasi jenis yang tinggi, dengan sebagian spesies berupa parasit tanaman yang dapat merugikan industri pertanian dan perkebunan. Hasil produksi menurun dan ekspor produk pertanian Indonesia ditolak karena keberadaan Nematoda parasit. Maka dari itu diperlukan sistem identifikasi Nematoda yang akurat terhadap spesies yang sering ditemukan di Indonesia, agar pencegahan dan penanggulangan parasit dapat dilakukan dengan efektif tanpa keberadaan ahli taksonomi di tempat. Metode klasifikasi berdasarkan morfologi menggunakan deep learning dapat mempercepat proses identifikasi karena implementasi tersedia secara publik, tidak memerlukan peralatan khusus, serta penggunaannya mudah. Dalam penelitian ini, diteliti 3 model deep learning dalam melakukan klasifikasi Genus Nematoda, yaitu model ResNet101v2, CoAtNet-0, dan EfficientNetV2M, dengan penggunaan augmentasi data berupa sintesis dengan RumiGAN dan transformasi gambar (pembalikan gambar, perubahan pencahayaan, kontras, pengaburan, serta penambahan kebisingan). Optimizer yang digunakan dibuat sama pada semua model untuk menjaga konsistensi hasil. Ditemukan bahwa model EfficientNetV2M memiliki akurasi tertinggi sebesar 97% pada dataset yang digunakan. Penambahan variasi data dengan augmentasi transformasi gambar, serta penggunaan dua transformasi secara serentak tidak selalu menghasilkan peningkatan performa pada semua model. Augmentasi yang digunakan harus cocok secara kontekstual pada dataset yang digunakan. Kemudian augmentasi sintesis gambar dengan RumiGAN belum dapat dilakukan karena Generator gagal konvergen dan fitur diskriminatif Nematoda hilang pada resolusi yang digunakan. Sintesis data dengan GAN pada data dengan perbedaan yang kecil antar kelas nya dinilai tidak dapat dilakukan tanpa mengorbankan akurasi dari dataset.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Nematode Identification, Deep Learning, Image Analysis
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.3 Artificial Intelligence, Machine Learning, Pattern Recognition, Data Mining
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	20 Jul 2022 04:04
Last Modified:	08 Jun 2023 00:53
URI:	https://kc.umn.ac.id/id/eprint/22103

Actions (login required)

View Item