Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Journal Technology Information and Data Analytic
Febriyanto, Tri
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Decision Sciences, Operations Research & Management Engineering Library & Information Science Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Deep Learning Menggunakan Vision Transformer Untuk Klasifikasi Penyakit Daun Padi Febriyanto, Tri; Syofian, Suzuki
Journal TIFDA (Technology Information and Data Analytic) Vol 1 No 2 (2024): Journal Technology Information and Data Analytic (TIFDA)
Publisher : Prodi Teknologi Informasi Universitas Darma Persada

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70491/tifda.v1i2.47

Abstract

Padi merupakan makanan pokok penting yang berperan signifikan dalam meningkatkan kesejahteraan masyarakat Indonesia. Namun, produksi padi sering terancam oleh berbagai penyakit daun yang disebabkan oleh patogen seperti jamur, hama, bakteri, dan virus. Beberapa penyakit daun padi yang umum termasuk Blas (Blast), Bercak Coklat (Brown Spot), Hawar Daun Bakteri (Bacterial Leaf Blight), dan Tungro. Kemajuan teknologi saat ini, khususnya dalam bidang Deep Learning, menawarkan solusi potensial untuk mengatasi tantangan tersebut. Deep Learning, sebagai sub-bidang Machine Learning, mengadopsi algoritma yang terinspirasi dari cara kerja otak manusia. Penelitian ini menggunakan metode Vision Transformer (ViT) dengan arsitektur ViT B16 untuk mengklasifikasikan penyakit daun padi. Dataset yang digunakan terdiri dari 1253 gambar, termasuk 419 gambar untuk penyakit Bercak Coklat, 355 gambar untuk penyakit Blast, 209 gambar untuk penyakit Hawar Daun Bakteri, dan 270 gambar untuk penyakit Tungro. Dataset dibagi menjadi 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian. Pelatihan dilakukan dengan batch size 32, 50 epoch, dan menggunakan optimizer Adam. Hasil penelitian menunjukkan bahwa model yang dikembangkan mencapai akurasi, presisi, recall, dan f1-score sebesar 96%.
Co-Authors Suzuki Syofian