Implementasi Transfer Learning dan Multi-Channel CNN pada Penyakit Daun Padi

##plugins.themes.academic_pro.article.sidebar##

Published Feb 16, 2023
Download
PDF
Statistic
Vol. 8 No. 1 (2022): Seminar Nasional Teknik Elekto dan Informatika - September 2022

##plugins.themes.academic_pro.article.main##

Eka Qadri Nuranti
Institut Teknologi B.J. Habibie
http://orcid.org/0000-0002-7151-8857
Armin Lawi
Institut Teknologi B.J. Habibie
Khawaritzmi Abdallah Ahmad
Universitas Hasanuddin
Sri Astuti Thamrin
Universitas Hasanuddin

Abstract

Padi merupakan tanaman penghasil beras yang menjadi sumber makanan pokok di Indonesia. Produksi padi di Indonesia tahun 2021 mengalami penurunan sekitar 0,43% atau sebanyak 230.000 ton. Identifikasi penyakit daun padi merupakan salah satu solusi utama untuk meningkatkan produktivitas dan membantu dalam pemilihan pestisida. Salah satu metode yang dapat digunakan untuk mengidentifikasi adalah dengan melakukan metode klasifikasi menggunakan salah satu pendekatan dari artificial neural network yang banyak diterapkan pada pemrosesan citra yaitu Convolutional Neural Networks (CNN). Penelitian ini menggunakan model multi-channel berdasarkan two-channel CNN dan three-channelCNN dipadukan dengan model transfer learning dengan menggabungkan ResNet50, InceptionV3, Xception, dan VGG16 sebagai model dasar atau jaringan yang telah dilatih sebelumnya. Hasilnya, implementasi arsitektur transfer learning multi-channel CNN memiliki kinerja yang baik dengan akurasi training mencapai 100% dan akurasi testing masing-masing 95,83% pada dua dan tiga channel CNN. Nilai presisi, recall, dan f1-score pada model yang dihasilkan juga memiliki nilai di atas 0,85 hingga 1,0, dan nilai AUC pada kurva ROC untuk setiap kelas data citra penyakit padi yang digunakan mencapai 0,98 hingga 1,0. Secara umum, kinerja keseluruhan yang dihasilkan oleh model dari arsitektur pembelajaran transfer multichannel CNN lebih baik daripada model yang dihasilkan oleh arsitektur pembelajaran transfer sederhana.

##plugins.themes.academic_pro.article.details##

Author Biography

Eka Qadri Nuranti, Institut Teknologi B.J. Habibie

Departement Computer Science

References

  1. I. N. Khasanah and K. Astuti, Luas Panen dan Produksi Padi di Indonesia 2021, 05100.2203., vol. 2021. Badan Pusat Statistik.
  2. S. Ramesh and D. Vydeki, “Recognition and classification of paddy leaf diseases using Optimized Deep Neural network with Jaya algorithm,†Information Processing in Agriculture, vol. 7, no. 2, pp. 249–260, Jun. 2020, doi: 10.1016/j.inpa.2019.09.002.
  3. M. S. G. Premi, R. Narmadha, and T. Bernatin, “A Brief Survey on Diseases of Paddy Plant,†J. Pharm. Sci., vol. 11, p. 5, 2019.
  4. N. Milosevic, Introduction to Convolutional Neural Networks: With Image Classification Using PyTorch. Berkeley, CA: Apress, 2020. doi: 10.1007/978-1-4842-5648-0.
  5. S. Bali and S. S. Tyagi, “Evaluation of transfer learning techniques for classifying small surgical dataset,†in 2020 10th International Conference on Cloud Computing, Data Science & Engineering (Confluence), Noida, India, Jan. 2020, pp. 744–750. doi: 10.1109/Confluence47617.2020.9058207.
  6. J. R. Rajayogi, G. Manjunath, and G. Shobha, “Indian Food Image Classification with Transfer Learning,†in 2019 4th International Conference on Computational Systems and Information Technology for Sustainable Solution (CSITSS), Bengaluru, India, Dec. 2019, pp. 1–4. doi: 10.1109/CSITSS47250.2019.9031051.
  7. S. Misra, S. Jeon, S. Lee, R. Managuli, I.-S. Jang, and C. Kim, “Multi-Channel Transfer Learning of Chest X-ray Images for Screening of COVID-19,†p. 12, 2020.
  8. C. Albon, Machine learning with Python cookbook: practical solutions from preprocessing to deep learning, First edition. Sebastopol, CA: O’Reilly Media, 2018.
  9. S. Indolia, A. K. Goswami, S. P. Mishra, and P. Asopa, “Conceptual Understanding of Convolutional Neural Network- A Deep Learning Approach,†Procedia Computer Science, vol. 132, pp. 679–688, 2018, doi: 10.1016/j.procs.2018.05.069.
  10. Jionghui Jiang, Xi’an Feng, Fen Liu, Yingying Xu, and Hui Huang, “Multi-Spectral RGB-NIR Image Classification Using Double-Channel CNN,†Jan. 2019, vol. 7, pp. 20607–20613. doi: 10.1109/ACCESS.2019.2896128.
  11. E. Q. Nuranti, E. Yulianti, and H. S. Husin, “Predicting the Category and the Length of Punishment in Indonesian Courts Based on Previous Court Decision Documents,†Computers, vol. 11, no. 6, p. 88, May 2022, doi: 10.3390/computers11060088.
  12. I. Goodfellow, Y. Bengio, and A. Courville, Deep learning. Cambridge, Massachusetts: The MIT Press, 2016.
  13. M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,†Information Processing & Management, vol. 45, no. 4, pp. 427–437, Jul. 2009, doi: 10.1016/j.ipm.2009.03.002.