Please use this identifier to cite or link to this item:
https://repositori.uma.ac.id/handle/123456789/27904
Title: | Optimalisasi Arsitektur Inceptionv4 Dengan Mekanisme Perhatian Cbam Dalam Mendiagnosis Penyakit Daun Jeruk |
Other Titles: | Optimization of Inceptionv4 Architecture with Cbam Attention Mechanism in Diagnosing Citrus Leaf Disease |
Authors: | Sidauruk, Astri Yohana |
metadata.dc.contributor.advisor: | Muhathir |
Keywords: | InceptionV4;CBAM;Pembelajaran mendalam;klasifikasi citra;image classification |
Issue Date: | 14-Mar-2025 |
Publisher: | Universitas Medan Area |
Series/Report no.: | NPM;218160034 |
Abstract: | penelitian ini menggunakan arsitektur InceptionV4 dan Convolutional Block Attention Module (CBAM) untuk mengoptimalkan diagnosis penyakit pada daun jeruk. InceptionV4 adalah arsitektur jaringan saraf konvolusional yang dimaksudkan untuk menangkap elemen visual dari gambar melalui modul-modul inception, sementara CBAM berfungsi untuk meningkatkan pemfokusan model pada fitur penting melalui mekanisme perhatian spasial dan kanal. penelitian ini melibatkan penggunaan InceptionV4 standar dan InceptionV4 yang diintegrasikan dengan CBAM dimana CBAM diterapkan setelah modul InceptionA dan InceptionB. Hasilnya menunjukkan bahwa model InceptionV4 yang diintegrasikan dengan CBAM mencapai akurasi 95,60%, presisi 95,91%, recall 95,60%, dan F1-Score 95,57%, yang merupakan peningkatan yang signifikan dibandingkan dengan model InceptionV4 standar yang memiliki akurasi 91,80%. Kombinasi InceptionV4 dan CBAM meningkatkan kinerja deteksi penyakit pada daun jeruk untuk kondisi seperti Blackspot, Canker, Healthy, Young Healthy, dan Greening. Hasilnya menunjukkan bahwa penelitian ini menawarkan cara yang lebih akurat untuk menemukan penyakit lebih awal. Ini sangat penting untuk pengelolaan pertanian yang lebih baik dan peningkatan hasil panen. Hasil penelitian ini dapat diterapkan pada sistem pemantauan otomatis yang melibatkan penggunaan drone real-time untuk membantu petani dan peneliti membuat keputusan. Akibatnya, penelitian ini tidak hanya membantu pengembangan ilmu pengetahuan tetapi juga membantu praktik pertanian. This study uses the InceptionV4 architecture and the Convolutional Block Attention Module (CBAM) to optimize disease diagnosis in citrus leaves. InceptionV4 is a convolutional neural network architecture intended to capture visual elements from images through inception modules, while CBAM serves to improve the model's focus on important features through spatial and channel attention mechanisms. This study involves the use of standard InceptionV4 and InceptionV4 integrated with CBAM where CBAM is applied after the InceptionA and InceptionB modules. The results show that the InceptionV4 model integrated with CBAM achieves 95.60% accuracy, 95.91% precision, 95.60% recall, and 95.57% F1-Score, which is a significant improvement compared to the standard InceptionV4 model which has an accuracy of 91.80%. The combination of InceptionV4 and CBAM improves the performance of disease detection in citrus leaves for conditions such as Blackspot, Canker, Healthy, Young Healthy, and Greening. The results indicate that this study offers a more accurate way to find diseases earlier. This is crucial for better agricultural management and increased crop yields. The results of this research can be applied to automated monitoring systems involving the use of real-time drones to assist farmers and researchers in decision-making. Consequently, this research not only contributes to scientific development but also to agricultural practices. |
Description: | 70 Halaman |
URI: | https://repositori.uma.ac.id/handle/123456789/27904 |
Appears in Collections: | SP - Informatic Engineering |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
218160034 - Astri Yohana Sidauruk - Chapter IV.pdf Restricted Access | Chapter IV | 869.92 kB | Adobe PDF | View/Open Request a copy |
218160034 - Astri Yohana Sidauruk - Fulltext.pdf | Cover, Abstract, Chapter I, II, III, V, Bibliography | 2.22 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.