Klasifikasi Penyakit Daun Tebu Menggunakan Swin Transformer dan Augmentasi Data RandAugment
Tahun 2025 · Penulis: Noval Sofyan Ramadhan
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/14036
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Patogen adalah organisme yang dapat merusak tumbuhan, termasuk tanaman tebu. Penyakit akibat patogen dapat dideteksi di laboratorium, tetapi prosesnya memerlukan banyak langkah dan waktu yang cukup lama. Teknologi computer vision mampu mengatasi tantangan ini, dengan dua arsitektur model utama yang tersedia saat ini, yaitu Convolutional Neural Network (CNN) dan Transformer. Arsitektur berbasis transformer memiliki kinerja yang lebih unggul dibandingkan CNN, sehingga penelitian ini memilih model transformer bernama Swin Transformer yang merupakan pengembangan dari Vision Transformer. Seluruh model memiliki potensi menghadapi masalah overfitting apabila data pelatihan terbatas, oleh karena itu augmentasi data digunakan untuk antisipasi permasalahan ini sekaligus meningkatkan akurasi model. RandAugment adalah metode augmentasi data dengan algoritma sederhana dan efektif yang memiliki parameter N dan M (magnitude), N adalah jumlah augmentasi dan M adalah besaran efek dari augmentasi. Penelitian ini mengombinasikan model Swin Transformer dengan augmentasi data RandAugment. Tahap awal melibatkan pengumpulan 1.004 citra di perkebunan Mumbul, Kabupaten Jember. Data yang dikumpulkan mempunyai empat kelas: healthy, red rot, rust, dan yellow. Data yang telah terkumpul dibagi menjadi data pelatihan dan data pengujian dengan perbandingan 80%:20%. Selanjutnya, data pelatihan dan pengujian diubah ukurannya agar sesuai dengan input Swin Transformer, yaitu 224 x 224 piksel. Pada model dengan augmentasi RandAugment, data pelatihan ditambahkan dengan versi augmentasi dari data awal menggunakan nilai N = 2. Parameter pelatihan yang digunakan meliputi variasi learning rate sebesar 0.1, 0.01, dan 0.001 serta nilai M sebesar 3, 6, dan 9. Penelitian ini menunjukkan bahwa model dengan augmentasi RandAugment mencapai akurasi tertinggi dengan peningkatan akurasi sebesar 1,53% dibandingkan model tanpa augmentasi. Kombinasi parameter terbaik tercapai pada learning rate 0,01 dan nilai M sebesar 9.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,854
Tahun 2026 · Penulis: Moh. Ainur Rofiq
Identifikasi Penyakit Daun Kopi Menggunakan Convolutional Neural Network (CNN) Berbasis Citra RGB
Tanaman kopi merupakan komoditas perkebunan strategis yang menopang perekonomian nasional dan menjadi pilar kesejahteraan petani di Indonesia. Kendati demikian, produktivitas tanaman kopi Arabika kerap terancam oleh serangan penyakit pada organ daun, seperti p
- Cosine 0,848
Tahun 2026 · Penulis: Adellia Putri
Klasifikasi Penyakit Batang Buah Naga Merah Menggunakan Arsitektur Eca-Resnet-50 Berbasis Website
Buah naga merah adalah salah satu komoditas hortikultura dengan nilai ekonomi tinggi di Indonesia. Salah satu tantangan utama penanaman buah naga adalah infeksi penyakit batang, yang dapat mengurangi pertumbuhan tanaman dan produktivitas tanaman. Identifikasi
- Cosine 0,840
Tahun 2026 · Penulis: Mochamad Oktaviano Gunawan
Pengembangan Sistem Deteksi Kesehatan Tanaman Kubis Berbasis Low Altitude Monitoring & Deep Learning
Kesehatan tanaman kubis merupakan salah satu faktor penting yang memengaruhi produktivitas dan kualitas hasil panen. Proses pemantauan kondisi tanaman secara manual pada lahan yang luas memerlukan waktu dan tenaga yang besar serta berpotensi menghasilkan penga