Perbandingan Performa Pre-Trained Convolutional Neural Network untuk Klasifikasi Nematoda Non Parasitik pada Citra Mikroskopik

Larasati, Larasati (2023) Perbandingan Performa Pre-Trained Convolutional Neural Network untuk Klasifikasi Nematoda Non Parasitik pada Citra Mikroskopik. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (1MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (329kB) | Preview
Preview	PDF BAB_I.pdf Download (338kB) | Preview
Preview	PDF BAB_II.pdf Download (1MB) | Preview
Preview	PDF BAB_III.pdf Download (749kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
Preview	PDF BAB_V.pdf Download (331kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (699kB)

Abstract

Di dalam tanah, kelimpahan nematoda non parasitik dapat berperan sebagai indikator kualitas dan kesehatan tanah. Identifikasi morfolgi merupakan metode yang hemat biaya dan memungkinkan melihat perbedaan antara fungsi dan karakteristik morfologi. Namun, metode ini sulit bagi individu atau peneliti yang tidak terlatih, memakan waktu lama, dan belum ada penelitian secara spesifik yang membahas mengenai nematoda non parasitik berdasarkan trofiknya, sehingga membutuhkan sistem alternatif yang dapat membantu identifikasi nematoda non parasitik. Dalam penelitian ini, penulis mencoba untuk melakukan klasifikasi dengan menggunakan model pre- trained CNN yang memanfaatkan pengetahuan dari feature extraction yang dimiliki oleh model yang sudah dilatih sebelumnya. Performa model dievaluasi melalui grafik, evaluasi model secara keseluruhan, confusion matrix, dan metrik evaluasi. Model pre-trained CNN yang digunakan dalam penelitian ini antaralain Xception, DenseNet201, ResNet50, dan EfficientNetV2B0. Dari beberapa evaluasi model yang dilakukan, DenseNet201 memiliki performa yang paling baik dari keempat model lainnya dalam melakukan klasifikasi nematoda non parasitik. DenseNet201 berhasil mencapai performa terbaiknya dengan akurasi tertinggi pada angka 0.87 dengan menggunakan dataset non oversampling dan 0.83 pada dataset oversampling, diikuti oleh Xception, ResNet50 dan EfficientNetV2B0. Penggunaan model pre-trained CNN ini menghasilkan performa yang cukup menjanjikan dalam mengklasifikasikan nematoda non parasitik.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	CNN, Image Classification, Microscopic, Nematoda Non Parasitik, Pre-Trained Model, Stochastic Gradient Descent.
Subjects:	?? TK7885-7895 ??
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	03 Jul 2023 09:55
Last Modified:	03 Jul 2023 10:57
URI:	https://kc.umn.ac.id/id/eprint/25601

Actions (login required)

View Item