Implementasi Hyperparameter Optimizer Pada InceptionV4 Untuk Deteksi Penyakit Karat Kedelai

Abstrak

The cause of not achieving the target of soybean production in Indonesia is due to disease disorders. One of the diseases that attack soybean plants is rust disease. Rust is a disease caused by the fungus Phakopsora pachyrhizi, this disease attacks the leaves with symptoms of reddish-brown spots resembling rust. With the development of artificial intelligence on computer vision today, it has been widely applied in image identification. This study uses deep learning with the convolutional neural network (CNN) method with the InceptionV4 architecture. InceptionV4 is a development method from the previous version, in this method it introduces a reduction block which is used to change the width and height of the grid. The hyperparameters used in this study were Adam optimizer and RMSprop, learning rates 0.1 and 0.01, batch sizes 32 and 64, epoch 20 and 50, and dropout regularization. 5000 datasets are used to identify soybean disease with a ratio of 80: 20, 80% training data and 20% testing data. The accuracy results obtained by the Adam optimizer are 88% and 90% RMSprop.

Abstrak 

Penyebab belum tercapainya target produksi kedelai di indonesia karena adanya gangguan penyakit. Salah satu penyakit yang menyerang tanaman kedelai adalah penyakit karat. Karat adalah penyakit yang disebabkan oleh jamur Phakopsora pachyrhizi, penyakit ini menyerang daun dengan gejala berupa bercak berwarna coklat kemerahan mirip karat. Dengan perkembangan kecerdasan buatan terhadap computer vision saat ini, sudah banyak diterapkan dalam identifikasi gambar. Penelitian ini menggunakan deep learning dengan metode convolutional neural network (CNN) dengan arsitektur InceptionV4. InceptionV4 merupakan metode pengembangan dari versi sebelumnya, pada metode ini memperkenalkan reduction block yang digunakan untuk mengubah lebar dan tinggi grid. Hyperparameter yang digunakan pada penelitian ini yaitu optimizer Adam, dan RMSprop, learning rate 0.1 dan 0.01, batch size 32 dan 64, epoch 20 dan 50, dan dropout regularization. 5000 dataset yang digunakan untuk mengidentifikasi penyakit kedelai dengan rasio 80 : 20, data training 80% dan data testing 20%. Hasil akurasi yang diperoleh optimizer Adam adalah 88% dan RMSprop 90%.