Fine-Tuning Model Transfer Learning VGG16 Untuk Klasifikasi Citra Penyakit Tanaman Padi

Abstract

Besarnya tingkat permintaan atas komoditas ini mendorong adanya perbaikan hasil pertanian dengan cara mengatasi penyakit pada tanaman padi. Deteksi penyakit pada tanaman padi sejak awal penanaman akan mengurangi dampak pertumbuhan tanaman cukup signifikan. Dengan adanya perawatan yang tepat dari hasil identifikasi kasus penyakit sejak ini akan menambah produktivitas hasil pertanian. Penelitian ini bertujuan membuat analisis kinerja klasifikasi penyakit tanaman padi convolution neural net (CNN) dengan arsitektur VGG16 menggunakan fine-tuning. Untuk meproses dataset dan mengelompokkan data menjadi empat kelas (BrownSpoty, Healthy, Hispa, dan LeafBlast), penelitian ini menggunakan beberapa tahapan metodologi. Tahapanya antara lain data preparation, feature extraction, training, comparing dan evaluating model. Sebagai hasil, VGG16 without fine tuning mendapatkan akurasi 50.88% sedangkan VGG 16 with fine tuning mendapatkan akurasi 63.50% pada proses traning. Pada proses validasi, VGG16 without fine tuning mendapatkan akurasi 52.50% sedangkan VGG 16 with fine tuning mendapatkan akurasi 62.08%. Pada proses testing, VGG16 without fine tuning mendapatkan akurasi 54.19% sedangkan VGG16 with fine tuning mendapatkan akurasi 62.21%.

Comparison of CNN Models With Transfer Learning in the Classification of Insect Pests

“…At the training stage, two methods are used, namely without using fine-tuning and using fine-tuning [16]. the process does not get satisfactory results, then a retraining process is carried out by opening several layers in the pre-trained model to be retrained.…”