IMPLEMENTASI HIBRID VGG16 DAN SUPPORT VECTOR MACHINE DALAM MENGOPTIMALKAN RUNTIME TRAINING MODEL UNTUK KLASIFIKASI CITRA PENYAKIT DAUN JAGUNG

Anggara, Radya Adi (2023) IMPLEMENTASI HIBRID VGG16 DAN SUPPORT VECTOR MACHINE DALAM MENGOPTIMALKAN RUNTIME TRAINING MODEL UNTUK KLASIFIKASI CITRA PENYAKIT DAUN JAGUNG. Other thesis, UPN "Veteran" Yogyajarta.

	Text ABSTRAK_RADYA ADI ANGGARA_123190059.pdf Download (180kB)
	Text COVER_RADYA ADI ANGGARA_123190059.pdf Download (151kB)
	Text DAFTAR ISI_RADYA ADI ANGGARA_123190059.pdf Download (146kB)
	Text DAFTAR PUSTAKA_RADYA ADI ANGGARA_123190059.pdf Download (185kB)
	Text PENGESAHAN_RADYA ADI ANGGARA_123190059.pdf Download (869kB)
	Text SKRIPSI FULlTEXT_RADYA ADI ANGGARA_123190059.pdf Restricted to Repository staff only Download (7MB)

Abstract

vi
ABSTRAK
Jagung merupakan salah satu bahan pangan pokok yang sering terserang penyakit,
khususnya pada area permukaan daun. Ada beberapa penyakit yang sering menyerang daun
jagung, yaitu bercak (gray spot), hawar (blight), dan karat (rust). Convolutional Neural
Network (CNN) menjadi salah satu metode yang efektif dalam menangani masalah
klasifikasi sebuah citra, termasuk klasifikasi citra penyakit daun jagung dengan
menggunakan salah satu arsitektur CNN, yaitu VGG16. VGG16 mampu memberikan
tingkat akurasi yang tinggi, namun juga memiliki runtime training model yang lama,
sebanding dengan lapisan parameter yang terkandung pada model. Ada sebuah cara untuk
mengatasi permasalahan runtime training CNN khususnya pada arsitektur VGG16, yaitu
dengan memanfaatkan arsitektur tersebut sebagai pengekstraksi fitur citra
Pada penelitian ini akan diimplementasi model hibrid VGG16-SVM untuk
mengoptimalkan runtime training model. VGG16 berfungsi sebagai pengekstraksi fitur citra
input, kemudian digabungkan dengan Support Vector Machine sebagai classifier pada
training menggantikan lapisan fully connected pada VGG16. Pengujian training dilakukan
dengan menggunakan metode K-Fold Cross Validation dengan membandingkan runtime
training antara model hibrid VGG16-SVM dengan model VGG16 classifier. Adapun
pengujian training menggunakan acuan tingkat akurasi training yang relatif sama untuk
kedua model. Dari pengujian model diperoleh hasil rata-rata runtime training untuk model
hibrid VGG16-SVM sebesar 3.3 menit, sedangkan untuk model VGG16 classifier sebesar
60.7 menit. Kemudian pada model VGG16 classifier juga diperoleh hasil bahwa semakin
banyak jumlah epoch yang dibutuhkan akan berdampak pada runtime training yang semakin
lama.
Kata kunci : Convolutional Neural Network, VGG16, Support Vector Machine, Hibrid
VGG16-SVM, Runtime Training, Daun Jagung
vii
ABSTRACT
Corn is one of the most frequently affected foodstuffs, especially on leaf surfaces.
There are several diseases that often attack corn leaves, namely gray spots, bilght, and rust.
(rust). Convolutional Neural Network (CNN) has become one of the most effective methods
in dealing with the problem of classifying an image, including the image classification of
corn leaf disease using one of CNN's architectures, VGG16. The VGG16 is capable of
providing a high level of accuracy, but also has a long training runtime model, comparable
to the layer of parameters contained in the model. There's a way to tackle CNN's training
runtime problem, especially with the VGG16 architecture, which is to use the architecture
as an extraction of image features.
The research will implement the VGG16-SVM hybrid model to optimize the training
runtime model. The VGG16 serves as an input image feature extraction, then combined with
the Support Vector Machine as a classifier on training replacing the fully connected layer on
the VGG16. The training tests were conducted using the K-Fold Cross Validation method
by comparing the runtime training between the hybrid model VGG16-SVM and the model
of the “VGG16 classifier”. The model test resulted in an average runtime training of 3.3
minutes for the hybrid model VGG16-SVM, whereas for the “VGG16 classifier” model was
60.7 minutes.
Keywords : Convolutional Neural Network, VGG16, Support Vector Machine, Hybrid
VGG16-SVM, Runtime Training, Corn Leaf

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, VGG16, Support Vector Machine, Hybrid VGG16-SVM, Runtime Training, Corn Leaf
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	27 Nov 2023 01:45
Last Modified:	27 Nov 2023 01:45
URI:	http://eprints.upnyk.ac.id/id/eprint/38216

Actions (login required)

View Item