PEMILIHAN HYPERPARAMETER PADA ALEXNET CNN UNTUK KLASIFIKASI CITRA PENYAKIT KEDELAI
DOI:
https://doi.org/10.30587/indexia.v5i02.5508Keywords:
AlexNet, Convolutional Neural Network, Hyperparameter, Kedelai, KlasifikasiAbstract
Kedelai merupakan makanan yang populer. Estimasi hasil di Indonesia berkisar antara 1,2 dan 1,5 ton per hektar, masih jauh di bawah potensi hasil sebesar 2 hingga 2,5 ton per hektar. Gangguan penyakit pada tanaman kedelai merupakan salah satu penyebab rendahnya hasil, sehingga petani harus mengenal penyakit yang menyerang kedelai agar dapat memilih jenis penyakit dan tindakan pengobatan yang tepat. Proses laboratorium pendampingan penyakit masih belum efisien sehingga membutuhkan waktu yang lama. Computer vision dan pembelajaran mendalam sekarang dapat digunakan untuk mengenali informasi prediktif pada objek, meskipun objek diposisikan di mana pun objek tersebut dimasukkan. Convolutional Neural Network (CNN) adalah teknik pembelajaran mendalam yang paling sering digunakan saat ini. Penelitian ini menggunakan arsitektur CNN yakni AlexNet dengan hyperparameter tuning untuk mengklasifikasikan citra penyakit kedelai. Hyperparameter tuning sangat berpengaruh terhadap performa model. Dataset yang digunakan berjumlah 1.500 citra penyakit pada daun kedelai, terdiri dari 3 kelas yakni caterpillar, diabrotica speciosa, dan healthy. Hyperparameter tuning pada AlexNet CNN dengan ukuran bacth size 12, dropout 0.2, optimizer Adam menghasilkan hasil terbaik dari segi nilai akurasi 84%, presisi 81,95%, recall 80,66%, serta f1-score 80,96%.
References
[2] N. Saleh, “Strategi Pengendalian Penyakit Tanaman Kedelai,” Bul. Palawija, vol. 0, no. 7–8, pp. 51–60, 2004.
[3] Badan Pusat Statistik, “Impor Kedelai Menurut Negara Asal Utama, 2017-2021,” p. 2021, 2022.
[4] L. A. Susanto, A. Nilogiri, and L. Handayani, “Klasifikasi Citra Lesi Kulit Serupa Virus Monkeypox Menggunakan VGG-19 Convolutional Neural Network,” J. Sist. dan Teknol. Inf., vol. 8, no. 1, pp. 1–9, 2023, doi: https://doi.org/10.32528/justindo.v8i1.168 Klasifikasi.
[5] W. Setiawan, “Perbandingan Arsitektur Convolutional Neural Network Untuk Klasifikasi Fundus,” J. Simantec, vol. 7, no. 2, pp. 48–53, 2020, doi: 10.21107/simantec.v7i2.6551.
[6] A. Julianto, A. Sunyoto, D. Ferry, and W. Wibowo, “Optimasi Hyperparameter Convolutional Neural Network Untuk Klasifikasi Penyakit Tanaman Padi (Optimization of Convolutional Neural Network Hyperparameters for Classification of Rice Plant Diseases),” TEKNIMEDIA, vol. 3, no. 2, pp. 98–105, 2022.
[7] J. Xiao, J. Wang, S. Cao, and B. Li, “Application of a Novel and Improved VGG-19 Network in the Detection of Workers Wearing Masks,” J. Phys. Conf. Ser., vol. 1518, no. 1, 2020, doi: 10.1088/1742-6596/1518/1/012041.
[8] R. Setyawan, “Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan 19 Layers Deep Convolutional Neural Network (Vgg-19),” no. 8.5.2017, pp. 2003–2005, 2022.
[9] S. Wallelign, M. Polceanu, and C. Buche, “Soybean plant disease identification using convolutional neural network,” Proc. 31st Int. Florida Artif. Intell. Res. Soc. Conf. FLAIRS 2018, pp. 146–151, 2018.
[10] A. Karlekar and A. Seal, “SoyNet: Soybean leaf diseases classification,” Comput. Electron. Agric., vol. 172, no. November 2019, 2020, doi: 10.1016/j.compag.2020.105342.
[11] A. Krizhevsky, I. Sustkever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Netwroks,” Handb. Approx. Algorithms Metaheuristics, pp. 1–1432, 2007, doi: 10.1201/9781420010749.
[12] D. Irfansyah, M. Mustikasari, and A. Suroso, “Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi,” J. Inform. J. Pengemb. IT, vol. 6, no. 2, pp. 87–92, 2021.
[13] S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 3, no. 2, pp. 49–56, 2018.
[14] W. Nugraha and A. Sasongko, “Hyperparameter Tuning pada Algoritma Klasifikasi dengan Grid Search,” Sist. J. Sist. Inf., vol. 11, no. 2, pp. 391–401, 2022.
[15] S. Lasniari, S. Sanjaya, F. Yanto, and M. Affandes, “Pengaruh Hyperparameter Convolutional Neural Network Arsitektur ResNet-50 Pada Klasifikasi Citra Daging Sapi dan Daging Babi,” vol. 5, no. 3, pp. 474–481, 2022.
[16] Karsito and S. Susanti, “Klasifikasi Kelayakan Peserta Pengajuan Kredit Rumah Dengan Algoritma Naïve Bayes Di Perumahan Azzura Residencia,” J. Teknol. Pelita Bangsa, vol. 9, pp. 43–48, 2019.
Template INDEXIA
