Pengembangan Model Deep Learning Berbasis Transfer Learning untuk Klasifikasi Spesies Pratylenchus Berdasarkan Citra Mikroskopis

Marshanda Sambuaga, Indah (2026) Pengembangan Model Deep Learning Berbasis Transfer Learning untuk Klasifikasi Spesies Pratylenchus Berdasarkan Citra Mikroskopis. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (342kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (265kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (263kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)
	Archive (ZIP) 00000076078_2521_LembarPengesahan.pdf Restricted to Registered users only Download (63kB)

Abstract

Identifikasi spesies Pratylenchus secara morfologi memerlukan waktu dan bergantung pada keahlian ahli nematoda karena beberapa spesies memiliki karakteristik morfologi yang sangat mirip. Penelitian ini bertujuan mengembangkan model Deep Learning berbasis Transfer Learning untuk membantu proses identifikasi morfologi Pratylenchus bolivianus dan Pratylenchus pseudocoffeae berdasarkan citra mikroskopis, serta membandingkan performa EfficientNetB0 dan DenseNet121. Dataset yang digunakan terdiri atas 994 citra mikroskopis yang dibagi menjadi data train-validation dan test. Tahap preprocessing meliputi resize, normalisasi, dan augmentasi data. Proses pelatihan dilakukan menggunakan pendekatan Transfer Learning melalui tahap feature extraction dan fine-tuning, serta dievaluasi menggunakan Stratified 5-Fold Cross Validation. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, serta pengukuran waktu inferensi. Hasil penelitian menunjukkan bahwa EfficientNetB0 memperoleh accuracy sebesar 89,33% dengan waktu inferensi rata-rata 0,0789 detik per citra, sedangkan DenseNet121 memperoleh accuracy sebesar 91,33% dengan waktu inferensi rata-rata 0,0924 detik per citra. Meskipun memiliki waktu inferensi yang sedikit lebih lama, DenseNet121 menghasilkan performa klasifikasi yang lebih baik dengan selisih waktu yang relatif kecil. Berdasarkan hasil tersebut, DenseNet121 dipilih sebagai model terbaik karena memberikan keseimbangan yang lebih baik antara performa klasifikasi dan efisiensi komputasi. Penelitian ini menunjukkan bahwa pendekatan Transfer Learning berbasis CNN berpotensi mendukung proses identifikasi morfologi spesies Pratylenchus secara lebih cepat dan konsisten.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Marshanda Sambuaga, Indah (00000076078)
Contributors:	Shabrina, Nabila Husna
Keywords:	Deep Learning, Transfer Learning, DenseNet121, EfficientNetB0, Pratylenchus, klasifikasi citra mikroskopis. 8 Pengembangan Model Deep Learning...,Indah Marshanda Sambuaga, Universitas Multimedia Nusantara
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
Date Deposited:	22 Jul 2026 08:00
URI:	https://kc.umn.ac.id/id/eprint/47861

Actions (login required)

View Item