KLASIFIKASI GEJALA DEFISIENSI NUTRISI PADA TANAMAN PADI MENGGUNAKAN CNN DENGAN ARSITEKTUR RESNET-50

DEVA AULIA PUTRI OKTAVIA

Informasi Umum

Kode

22.04.1658

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Image Processing - Computer Image

Dilihat

327 kali

Informasi Lainnya

Abstraksi

Tanaman padi merupakan komoditas tanaman pangan utama di Indonesia, karena padi menghasilkan beras yang merupakan makanan pokok bagi sebagian besar masyarakat Indonesia. Produksi padi di Indonesia sendiri pada tahun 2022 mengalami penurunan dari tahun sebelumnya. Defisiensi nutrisi dapat menjadi salah satu penyebab petanimengalami gagal panen. Sebab tanaman membutuhkan kombinasi nutrisi yang tepat untuk dapat tumbuh dengan baik.Untuk menghindari terjadinya defisiensi nutrisi pada tanaman padi, petani disarankan untuk melakukan deteksi dini untukmenghindari terjadinya defisiensi nutrisi pada tanaman padi.

Berdasarkan hal tersebut maka pada penelitian ini akan dilakukan pengklasifikasian defisiensi nutrisi yang terbagi menjadi 3 kelas makronutrisi yaitu, Nitrogen (N), Fosfor (P), dan Kalium (K) menggunakan Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 dan ResNet-152. Dataset yang digunakan bersumber dari Kaggle yang berisi 1156 citra tanaman padi yang mengalami defisiensi nutrisi.

Parameter performansi yang akan dianalisis pada penelitian ini adalah Confusion Matrix, akurasi, presisi, recall dan F1-Score untuk mengukur kinerja sistem yang telah dirancang. Terdapat empat skenario pengujian terhadap hyperparameter berupa optimizer, learning rate, batch size dan input size yang dilakukan pada citra asli dan citra hasil CLAHE. Hasil terbaik dari penelitian ini didapatkan dari kombinasi hyperparameter berupa optimizer Adam, learning rate 0.001, batch size 64 dan input size 512 <img chromakey="white" src="file:////Users/devaaulia/Library/Group%20Containers/UBF8T346G9.Office/TemporaryItems/msohtmlclip/clip_image001.emz" />512 dengan citra preprocessing CLAHE. Dari kombinasi hyperparametertersebut dihasilkan akurasi sebesar 97,73%.

Kata Kunci: Defisiensi Nutrisi, Tanaman Padi, CNN, ResNet, Klasifikasi