OPTIMASI HYPERPARAMETER CONVOLUTIONAL NEURAL NETWORK DALAM KLASIFIKASI PENYAKIT DAUN CABAI

JAUHAR, BARIQ (2024) OPTIMASI HYPERPARAMETER CONVOLUTIONAL NEURAL NETWORK DALAM KLASIFIKASI PENYAKIT DAUN CABAI. Other thesis, UPN "Veteran" Yogyakarta.

	Text ABSTRAK__BARIQ JAUHAR_123180120.pdf Download (15kB)
	Text COVER__BARIQ JAUHAR_123180120.pdf Download (136kB)
	Text DAFTAR ISI__BARIQ JAUHAR_123180120.pdf Download (46kB)
	Text DAFTAR PUSTAKA__BARIQ JAUHAR_123180120.pdf Download (157kB)
	Text PENGESAHAN PEMBIMBING__BARIQ JAUHAR_123180120.pdf Download (574kB)
	Text PENGESAHAN PENGUJI__BARIQ JAUHAR_123180120.pdf Download (583kB)
	Text SKRIPSI FULLTEXT_BARIQ JAUHAR_123180120.pdf Restricted to Repository staff only Download (5MB)

Abstract

Cabai merah (Capsicum annum L.) merupakan salah satu komoditas pertanian yang sangat
penting di Indonesia. Selain dikenal sebagai penyedap dan pelengkap menu masakan, cabai
juga menjadi favorit masyarakat Indonesia sebagai sayuran yang lezat. Namun cabai
memiliki harga yang tidak stabil karena adanya kelangkaan. Salah satu masalah yang
menyebabkan kelangkaan cabai adalah munculnya beberapa penyakit yang menyerang
tanaman cabai. Penyakit tersebut dapat menyerang daun, akar, buah, maupun bantang.
Dengan kemajuan teknologi saat ini maka pendeteksian dini penyakit tanaman cabai bisa
dilakukan dengan efektif, salah satunya menggunakan metode convolutional neural
network (CNN). Ketika menggunakan metode CNN, seringkali terjadi masalah kurangnya
efisiensi dalam menentukan nilai hyperparameter, hal ini dapat mengakibatkan hasil yang
tidak optimal, baik dari segi akurasi maupun model terjadi overfitting. Penyetelan
hyperparameter penting dalam pembelajaran mesin karena parameter yang dihasilkan
mempengaruhi kinerja model CNN secara signifikan. Penelitian ini bertujuan untuk
mengetahui kombinasi hyperparameter yang menghasilkan akurasi optimal pada CNN
serta mengevaluasi hasil model dalam mengklasifikasi jenis penyakit pada daun cabai.
Metode yang digunakan adalah pengujian kombinasi hyperparameter CNN untuk
klasifikasi penyakit tanaman cabai. Hasil penelitian menunjukkan bahwa kombinasi
hyperparameter yang optimal, yaitu Adam optimizer, empat lapisan konvolusi, ukuran
batch 16, dan 100 epoch, memberikan kinerja terbaik dalam klasifikasi penyakit daun
cabai. Adam optimizer efektif meningkatkan performa model, empat lapisan konvolusi
mampu mengekstraksi fitur kompleks, dan ukuran batch 16 memberikan keseimbangan
antara stabilitas pelatihan dan generalisasi model. Pelatihan selama 100 epoch cukup untuk
mencapai konvergensi optimal tanpa overfitting. Kombinasi hyperparameter ini
menghasilkan nilai akurasi tertinggi sebesar 96,88% dan nilai loss yang rendah sebesar
0,0795. Penelitian ini memiliki keaslian dan perbedaan dari penelitian sebelumnya dengan
menggunakan dataset daun cabai dan menguji kombinasi hyperparameter yang meliputi
pembelajaran fitur spasial (lapisan konvolusi, epoch, ukuran batch) serta optimizer (Adam,
RMSprop).
Kata kunci : citra daun cabai, penyakit cabai , convolutional neural network,
optimasi hyperparameter

Item Type:	Thesis (Other)
Uncontrolled Keywords:	citra daun cabai, penyakit cabai , convolutional neural network, optimasi hyperparameter
Subjek:	T Technology > T Technology (General)
Divisions:	x. Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	21 Jun 2024 01:59
Last Modified:	21 Jun 2024 01:59
URI:	http://eprints.upnyk.ac.id/id/eprint/39843

Actions (login required)

View Item