OPTIMASI NILAI HYPERPARAMETER CNN DENGAN ORTHOGONAL LEARNING PARTICLE SWARM OPTIMIZATION PADA KLASIFIKASI PENYAKIT DAUN TANAMAN MANGGA

HANAFI, ACHMAD SYAHRUL (2024) OPTIMASI NILAI HYPERPARAMETER CNN DENGAN ORTHOGONAL LEARNING PARTICLE SWARM OPTIMIZATION PADA KLASIFIKASI PENYAKIT DAUN TANAMAN MANGGA. Other thesis, UPN Veteran Yogyakarta.

	Text SKRIPSI FULL_ACHMAD SYAHRUL HANAFI.pdf Restricted to Repository staff only Download (3MB)
	Text COVER.pdf Download (136kB)
	Text ABSTRAK.pdf Download (161kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (198kB)
	Text PENGESAHAN PENGUJI.pdf Download (330kB)
	Text DAFTAR ISI.pdf Download (163kB)
	Text DAFTAR PUSTAKA.pdf Download (143kB)

Abstract

Klasifikasi citra digital dapat dilakukan dengan Convolutional Neural Network
(CNN). Namun, performa CNN sangat dipengaruhi oleh pemilihan nilai
hyperparameter yang tepat. Penelitian ini bertujuan untuk mengoptimalkan nilai
hyperparameter pada CNN menggunakan algoritma Orthogonal Learning Particle
Swarm Optimization (OLPSO) dalam klasifikasi penyakit daun tanaman mangga. Penyakit pada daun mangga yang diklasifikasikan meliputi Anthracnose, Bacterial
Canker, Powdery Mildew, dan Sooty Mould, serta satu kelas daun sehat. Data yang
digunakan dalam penelitian ini terdiri dari citra daun mangga yang dikumpulkan dari
dataset MangoLeafBD. Pendekatan OLPSO diterapkan untuk menemukan konfigurasi
hyperparameter optimal yang mampu meningkatkan akurasi model CNN dalam
mengklasifikasi penyakit daun. Metodologi penelitian melibatkan beberapa tahapan, yaitu pengumpulan data, preprocessing data, tuning hyperparameter menggunakan PSO dan OLPSO, pelatihan model, serta evaluasi model menggunakan confusion matrix. Penelitian
sebelumnya menggunakan OLPSO sebagai algoritma tuning hyperparameter pada
CNN hanya dengan satu kali percobaan, yaitu dengan populasi 5 dan maksimum
iterasi 6. Penelitian ini membandingkan hasil OLPSO dengan algoritma PSO standar
menggunakan beberapa kombinasi populasi dan iterasi. Hasil penelitian menunjukkan
bahwa penggunaan OLPSO mampu meningkatkan kinerja CNN dibandingkan dengan
PSO standar, dengan mencapai akurasi yang lebih tinggi dalam klasifikasi penyakit
daun mangga. Hyperparameter CNN yang dikonfigurasi pada penelitian ini meliputi batch
size, dropout rate, dan learning rate. Algoritma OLPSO berhasil melakukan tuning
hyperparameter dan mencapai akurasi 99.60% pada evaluasi model. Sedangkan, algoritma PSO dalam tuning hyperparameter menghasilkan akurasi 97.60% pada
evaluasi model. Hasil ini menunjukkan bahwa OLPSO lebih efektif dalam
mengoptimalkan hyperparameter CNN dibandingkan PSO. Kata kunci: Convolutional Neural Network, Orthogonal Learning Particle Swarm
Optimization, Klasifikasi Penyakit Daun Mangga, Hyperparameter Tuning, Pengolahan Citra Digital.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, Orthogonal Learning Particle Swarm Optimization, Klasifikasi Penyakit Daun Mangga, Hyperparameter Tuning, Pengolahan Citra Digital.
Subjects:	S Agriculture > SB Plant culture
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	24 Jul 2024 02:31
Last Modified:	24 Jul 2024 02:31
URI:	http://eprints.upnyk.ac.id/id/eprint/40367

Actions (login required)

View Item