Analisis Teknik Augmentasi terhadap kinerja Cnn dalam klasifikasi kondisi daun melon

INDONESIA :

Identifikasi penyakit pada daun melon umumnya masih dilakukan secara visual oleh petani sehingga berpotensi menimbulkan kesalahan identifikasi, terutama pada gejala awal penyakit. Pemanfaatan Convolutional Neural Network (CNN) dapat membantu proses klasifikasi secara otomatis, namun performa model sangat dipengaruhi oleh ketersediaan dan variasi data pelatihan. Penelitian ini bertujuan untuk menganalisis pengaruh teknik data augmentation terhadap kinerja CNN dalam klasifikasi penyakit daun melon. Dataset yang digunakan berjumlah 600 citra yang terdiri atas tiga kelas, yaitu daun sehat, embun tepung, dan embun bulu. Eksperimen dilakukan dengan menguji beberapa variasi augmentasi berupa rotation range, zoom range, dan horizontal flip untuk memperoleh konfigurasi augmentasi yang paling sesuai. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa variasi augmentasi memberikan pengaruh yang berbeda terhadap performa CNN. Pada pengujian rotation range, akurasi tertinggi diperoleh pada sudut rotasi 45° sebesar 77,78%, sedangkan akurasi terendah diperoleh pada rotasi 90° sebesar 33,33%. Pada pengujian zoom range, akurasi tertinggi diperoleh pada rentang zoom 40% sebesar 75,56%, sementara tanpa zoom hanya mencapai 33,33%. Hasil tersebut menunjukkan bahwa augmentasi yang sesuai mampu meningkatkan kemampuan generalisasi model, sedangkan transformasi yang terlalu ekstrem dapat menurunkan performa klasifikasi karena mengubah karakteristik visual penting pada daun melon. Dengan demikian, pemilihan konfigurasi data augmentation yang tepat terbukti berpengaruh terhadap peningkatan kinerja CNN dalam klasifikasi penyakit daun melon.

ENGLISH :

The identification of melon leaf diseases is commonly performed through visual observation by farmers, which may lead to misclassification, particularly during the early stages of disease development. The application of Convolutional Neural Networks (CNNs) offers an automated approach for image classification; however, their performance is highly dependent on the availability and diversity of training data. This study aims to analyze the effect of data augmentation techniques on CNN performance for melon leaf disease classification. The dataset consisted of 600 images belonging to three classes: healthy leaves, powdery mildew, and downy mildew. Experiments were conducted by evaluating several augmentation configurations, including rotation range, zoom range, and horizontal flipping, to determine the most effective augmentation strategy. Model performance was assessed using accuracy, precision, recall, and F1-score metrics. The results demonstrated that different augmentation techniques had varying impacts on CNN performance. In the rotation range experiment, the highest accuracy of 77.78% was achieved at a rotation angle of 45°, while the lowest accuracy of 33.33% was obtained at 90°. In the zoom range experiment, the highest accuracy of 75.56% was achieved with a zoom range of 40%, whereas the model without zoom augmentation achieved only 33.33%. These findings indicate that appropriate augmentation techniques can improve the model's generalization capability, while excessive transformations may degrade classification performance by altering important visual characteristics of melon leaves. Therefore, the selection of suitable data augmentation configurations plays a significant role in enhancing CNN performance for melon leaf disease classification.

ARAB :

عادةً ما يتم التعرف على أمراض أوراق الشمام بصرياً من قبل المزارعين، وهي عملية عرضة للتشخيص الخاطئ، لا سيما في المراحل المبكرة من المرض. ورغم أن الشبكات العصبية التلافيفية يمكن أن تسهل عملية التصنيف الآلي، إلا أن أداء النموذج يعتمد بشكل كبير على توفر بيانات التدريب وتنوعها. تهدف هذه الدراسة إلى تحليل تأثير تقنيات تعزيز البيانات (زيادة البيانا) على أداء الشبكات العصبية التلافيفية في تصنيف أمراض أوراق الشمام. تتكون مجموعة البيانات من ٦٠٠ صورة موزعة على ثلاث فئات: أوراق سليمة، وبياض دقيقي، وبياض زغبي. وشملت التجارب اختبار معاملات تعزيز مختلفة - وتحديداً نطاق التدوير، ونطاق التكبير/التصغير، والقلب الأفقي - لتحديد الإعداد الأمثل. وقد تم تقييم النموذج باستخدام المقاييس التالية: الدقة (accuracy)، والإحكام (precision)، والاستدعاء (recall)، ومقياس F1 (F1-score). وتشير النتائج إلى أن خيارات التعزيز المختلفة تؤثر بشكل كبير على أداء الشبكة العصبية التلافيفية؛ ففيما يتعلق بنطاق التدوير، تم تحقيق أعلى دقة )%77.78( عند تدوير بزاوية ٤٥ درجة، بينما لوحظت أقل دقة )%33.33( عند زاوية ٩٠ درجة. أما بالنسبة لنطاق التكبير/التصغير، فقد تم الوصول إلى أقصى دقة ) %75.56 ( عند نطاق %40، في حين أن عدم استخدام التكبير أدى إلى دقة بلغت %33.33 فقط. وتُظهر هذه النتائج أن التعزيز المناسب يعزز قدرة النموذج على التعميم (generalization)؛ وفي المقابل، يمكن للتحويلات المفرطة أن تضعف أداء التصنيف من خلال تغيير الخصائص البصرية الجوهرية لأوراق الشمام. ومن ثم، فإن اختيار إعداد مناسب لتعزيز البيانات يحسن أداء الشبكات العصبية التلافيفية في تصنيف أمراض أوراق الشمام....