Analisis Variasi Arsitektur Convolutional Neural Network Model Xception untuk Klasifikasi Penyakit Daun Padi (Oryza sativa L)
Tahun 2026 · Penulis: Rico Satria Ananda Putra
Faculty of Mathematics and Natural Sciences, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Analisis Variasi Arsitektur Convolutional Neural Network Model Xception untuk Klasifikasi Penyakit Daun Padi (Oryza sativa L)
Jaringan Kovolutional Neural (CNN) telah menjadi salah satu metode pembelajaran mendalam yang paling dapat diandalkan untuk pengolahan gambar karena kemampuannya yang kuat untuk menangkap pola visual. Dalam klasifikasi penyakit daun beras, CNN memainkan peranan penting karena ia dapat mengekstrak fitur-fitur kunci seperti variasi warna, bintik, dan perubahan tekstur yang sering kali sulit dikenali secara manual. Akan tetapi, banyak penelitian sebelumnya masih mengandalkan arsitektur standar CNN tanpa memeriksa bagaimana variasi arsitektur dapat meningkatkan kinerja klasifikasi. Oleh karena itu, penelitian ini membandingkan dua model CNN berbasis Xception: model dasar dan model variasi yang dimodifikasi dengan menyesuaikan jumlah filter, ukuran masukan, padding, dan langkah.Data data terdiri dari 17,800 gambar daun beras dari tiga sumber, termasuk empat kelas penyakit utama. Aliran kerja termasuk data preprosesing, pelatihan model, evaluasi menggunakan Akurasi, presisi, ingat, F1-score, dan kehilangan, diikuti dengan mengintegrasikan model terbaik dalam sistem berbasis web menggunakan Flask dan TesorFlow Lite.Hasil menunjukkan bahwa model variasi berjalan lebih baik daripada garis dasar, mencapai 99,49% akurasi, 99,75% presisi dan ingat, dan nilai kerugian yang lebih rendah. Peningkatan ini sebagian besar dipengaruhi oleh modifikasi arsitektural, yang memungkinkan model tersebut untuk mengekstrak lebih rinci fitur dari gambar. Model variasi dipilih sebagai model terakhir dan berhasil diterapkan ke dalam aplikasi web yang mampu klasifikasi real-time.Pekaan ini menunjukkan bahwa penyesuaian arsitektural yang tepat dapat secara signifikan meningkatkan kinerja CNN dalam klasifikasi penyakit daun beras.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,833
Tahun 2026 · Penulis: Balqis Pras Fatira Hesti
Klasifikasi Varietas Tanaman Alpukat Berdasarkan Citra Daun Menggunakan Metode Convolutional Neural Network (CNN)
Identifikasi varietas tanaman alpukat biasanya dilakukan melalui pengamatan manual tentang morfologi daun, yang membutuhkan keahlian spektofoc dan waktu yang relatif lama. Proses ini juga dapat menyebabkan salah identifikasi karena beberapa varietas alpukat me
- Cosine 0,833
Tahun 2025 · Penulis: Afif Rohul Abrori
Prediksi Sisa Umur Pakai Mesin Pesawat Menggunakan Ensemble Neural Network dengan Seleksi Fitur Extreme Gradient Boosting
Prediksi sisa umur pakai (Remaining Useful Life / RUL) mesin pesawat merupakan aspek penting dalam mendukung sistem predictive maintenance yang efisien dan aman. Tingkat akurasi prediksi RUL masih menjadi tantangan akibat kompleksitas data sensor. Penelitian i
- Cosine 0,828
Tahun 2026 · Penulis: Nailatul Khoiriyah
Klasifikasi Tingkat Konsentrasi Larutan Berdasarkan Citra Pola Difraksi Menggunakan Metode Convolutional Neural Network (CNN)
Menentukan konsentrasi larutan adalah parameter penting dalam berbagai bidang ilmiah, seperti kimia, fisika, dan industri. Salah satu metode yang dapat digunakan untuk mengidentifikasi konsentrasi solusi adalah melalui analisis pola difraksi cahaya yang terben