Analisis pengaruh Hyperparameter pada arsitektur SqueezeNet untuk Deteksi Penyakit Daun Bayam

Djuarsah, Nazwa Revalina Azzahra Djuarsah (2026) Analisis pengaruh Hyperparameter pada arsitektur SqueezeNet untuk Deteksi Penyakit Daun Bayam. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (270kB) | Preview
Preview	Text 2_abstrak.pdf Download (312kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (1MB) | Preview
Preview	Text 4_daftarisi.pdf Download (436kB) | Preview
Preview	Text 5_bab1.pdf Download (416kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (576kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (412kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (3MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (288kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (375kB) | Request a copy

Abstract

Bayam merupakan salah satu sayuran hijau yang paling banyak dikonsumsi di Indonesia, namun produktivitasnya kerap terganggu oleh serangan penyakit daun dari jamur dan serangan hama yang selama ini masih diidentifikasi secara manual melalui pengamatan visual petani. Akan tetapi, telah banyak penelitian yang membahas penerapan CNN ringan untuk mengidentifikasi penyakit daun secara otomatis. Maka dari itu, penelitian ini berupaya untuk mengetahui kinerja arsitektur SqueezeNet dalam mendeteksi penyakit daun bayam, serta menganalisis dan menentukan konfigurasi hyperparameter yang menghasilkan performa paling optimal. Penelitian ini menggunakan metodologi CRISP-DM dengan dataset citra daun bayam yang terbagi ke dalam lima kelas (Anthracnose, Bacterial Spot, Downy Mildew, Healthy, dan Pest Damage), dengan pembagian data latih, validasi, dan uji sebesar 80:10:10 serta augmentasi data pada data latih. Eksperimen dilakukan melalui sembilan skenario kombinasi tiga nilai learning rate (0,0002; 0,002; dan 0,02) dan tiga jenis optimizer (Adam, Adamax, dan Nadam), yang dievaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa hanya learning rate 0,0002 yang berhasil membawa ketiga optimizer mencapai performa yang stabil dengan akurasi uji berkisar 81,39%-82,18%, sedangkan learning rate 0,002 dan 0,02 menyebabkan optimizer Adam dan Nadam mengalami gradient explosion dan gagal belajar dengan akurasi terjebak pada 20%, meskipun Adamax masih mampu belajar walau performanya menurun signifikan seiring naiknya nilai learning rate. Kombinasi optimizer Nadam dengan learning rate 0,0002 terbukti sebagai konfigurasi paling optimal, dengan akurasi uji tertinggi sebesar 82,18%, test loss terendah sebesar 0,5097, dan F1-Score rata-rata tertinggi sebesar 0,8196, serta waktu pelatihan tercepat yaitu 166,2 menit.

Actions (login required)

View Item