Pengaruh augmentasi data terhadap kinerja arsitektur densenet-201 dalam klasifikasi citra penyakit tanaman padi

ABSTRAK:
enurunan produktivitas padi di Indonesia, yang disebabkan oleh perubahan iklimdan serangan penyakit tanaman, mendorong pentingnya pengembangan sistem klasifisaiuntuk penyakit tanaman padi. Penelitian ini bertujuan untuk membandingkan kinerjaarsitektur DenseNet-201 dalam klasifikasi penyakit padi seperti Blast, Blight, dan Tungro,dengan penerapan teknik augmentasi data untuk meningkatkan akurasi model. Metodepenelitian yang digunakan adalah eksperimen dengan pendekatan Convolutional NeuralNetworks (CNN), di mana dataset penyakit padi digunakan untuk pelatihan model.Augmentasi data diterapkan untuk memperbanyak variasi gambar dalam dataset gunameningkatkan kemampuan model dalam mengatasi variasi kondisi lapangan. Hasilpenelitian menunjukkan bahwa penerapan augmentasi data menghasilkan peningkatansignifikan dalam akurasi klasifikasi penyakit padi, dengan model yang menggunakanaugmentasi data mencapai akurasi tertinggi sebesar 98%. Model ini juga menunjukkankemampuan yang lebih baik dalam mengidentifikasi penyakit dengan presisi dan recallyang tinggi. Dengan demikian, penggunaan arsitektur DenseNet-201 yang dikombinasikandengan augmentasi data dapat menjadi solusi efektif dalam mengklasifikasi penyakittanaman padi dan meningkatkan ketahanan pangan

ABSTRACT:
 
The decline in rice productivity in Indonesia, caused by climate change and plantdisease outbreaks, highlights the importance of developing Classification systems for riceplant diseases. This study aims to compare the performance of the DenseNet-201architecture in Classifying rice plant diseases such as Blast, Blight, and Tungro, with theapplication of data augmentation techniques to improve model accuracy. The researchmethod employed is experimental using a Convolutional Neural Network (CNN) approach,in which a rice disease dataset is used for model training. Data augmentation is applied toincrease the diversity of images in the dataset, enhancing the model’s ability to handlevariations in field conditions. The results show that the application of data augmentationleads to a significant improvement in the accuracy of rice disease Classification, with theaugmented model achieving the highest accuracy of 98%. This model also demonstratesbetter performance in identifying diseases with high precision and recall. Therefore, theuse of DenseNet-201 architecture combined with data augmentation can be an effectivesolution for Classifying rice plant diseases and improving food security.

مستخلص البحث:

دفع االخنفاض يف إنتاجية األرز يف إندونيسيا، الناجم عن التغري املناخي وهجمات األمراض النباتية، إىل أمهية تطوير نظامتصنيف ألمراض نبات األرز. يهدف هذا البحث إىل مقارنة أداء بنيةDenseNet-201يف تصنيف أمراض األرز مثل اآلفة واللفحةوالتوجنرو، مع تطبيق تقنيات زايدة البياانت لتحسني دقة النموذج. طريقة البحث املستخدمة هي جتربة ابستخدام هنج الشبكات العصبيةالتالفيفية(CNN)، حيث يتم استخدام جمموعات بياانت أمراض األرز لتدريب النموذج. مت تطبيق زايدة البياانت ملضاعفة جمموعةالصور املتنوعة يف جمموعة البياانت لتحسني قدرةالنموذج على التعامل مع االختالفات يف الظروف امليدانية. أظهرت النتائج أن تطبيقكبري يف دقة تصنيف أمراض األرز، حيث حقق النموذج الذي استخدم تكثري البياانت أعلى دقة بلغت تكثري البياانت أدى إىل حتسن98%. كما أظهر النموذج أيضًا قدرة أفضل يف حتديد األمراض بدقة واستدعاء عالية. وابلتايل، ميكن أن يكون استخدام بنيةDenseNet-201مع زايدة البياانت حال ً فعاال ً يف تصنيف أمراض نبات األرز وحتسني األمن الغذائي