Evaluasi Kinerja GoogleNet Menggunakan Transfer Learning dan Fungsi Optimasi SGDM untuk Klasifikasi Citra Gulma

Weno Syechu; Rian Syahputra; Ahmad Indra Harahap

doi:10.60076/indotech.v3i1.1189

Authors

Weno Syechu Politeknik Negeri Medan
Rian Syahputra Politeknik Negeri Medan
Ahmad Indra Harahap STKIP Al Maksum

DOI:

https://doi.org/10.60076/indotech.v3i1.1189

Keywords:

GoogleNet, Transfer Learning, Optimasi CNN, Klasifikasi Gulma, DeepWeeds

Abstract

Identifikasi gulma secara cepat dan tepat merupakan elemen penting dalam pertanian presisi. Penelitian ini memfokuskan pada evaluasi arsitektur Convolutional Neural Network (CNN) GoogleNet dalam klasifikasi citra gulma menggunakan pendekatan transfer learning. Dataset DeepWeeds yang berisi 17.509 gambar digunakan dan diklasifikasikan ke dalam sembilan kelas gulma. Proses pelatihan dilakukan dengan membekukan semua layer kecuali layer fully-connected terakhir, yang disesuaikan dengan jumlah kelas. Fungsi optimasi Stochastic Gradient Descent with Momentum (SGDM) digunakan dalam proses pelatihan. Penelitian ini mengevaluasi kinerja arsitektur Convolutional Neural Network (CNN) GoogleNet menggunakan pendekatan transfer learning untuk klasifikasi citra gulma pada dataset DeepWeeds yang terdiri dari sembilan kelas gulma berbeda. Fungsi optimasi Stochastic Gradient Descent with Momentum (SGDM) digunakan selama pelatihan model. Hasil eksperimen menunjukkan bahwa model mencapai akurasi pengujian sebesar 92,38% dengan waktu klasifikasi rata-rata hanya 0,0365 detik per gambar. Studi ini memberikan kontribusi signifikan sebagai acuan penerapan deep learning efisien dalam sistem pertanian presisi.

Downloads

Download data is not yet available.

References

Z. Wu, Y. Chen, B. Zhao, X. Kang, and Y. Ding, “Review of weed detection methods based on computer vision,” Sensors, vol. 21, no. 11, pp. 1–23, 2021.

C. Jiang, Q. Chang, and Z. G. Liu, “Weeds and Crops Classification Using Deep Convolutional Neural Network,” ACM Int. Conf. Proc. Ser., pp. 40–44, 2020.

Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, May 2015.

C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, “Going deeper with convolutions,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), 2015, pp. 1–9.

W. Syechu, B. B. Nasution, and M. S. Effendi, “Convolutional Neural Network Optimization for Deep Weeds,” Jurnal Dewantara: Ilmu Pengetahuan, Teknologi, dan Humaniora, vol. 1, no. 1, pp. 1–7, Jun. 2023.

A. Olsen, D. A. Bright, M. D. Massaro, and N. A. Branson, “DeepWeeds: A Multiclass Weed Species Image Dataset for Deep Learning,” Sci. Data, vol. 6, no. 1, pp. 1–9, 2019.

C. Szegedy et al., “Going Deeper with Convolutions,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit., 2015, pp. 1–9.

E. M. Dogo, A. O. Adewale, O. O. Olugbara, and T. O. Folorunso, “Optimization Algorithms on Convolutional Neural Networks: A Comparative Review,” in Proc. Int. Conf. Comput. Technol. Electron. Mech. Syst. (CTEMS), 2018, pp. 92–99.

Eli-Chukwu, N. C. (2019). Applications of Artificial Intelligence in Agriculture: A Review. Engineering, Technology & Applied Science Research, 9(4), 4377–4383. https://doi.org/10.48084/etasr.2756

Asad, M. H., & Bais, A. (2020). Weed detection in canola fields using maximum likelihood classification and deep convolutional neural network. Information Processing in Agriculture, 7(4), 535–545. https://doi.org/10.1016/j.inpa.2019.12.002

Altuntaş, Y., Cömert, Z., & Kocamaz, A. F. (2019). Identification of haploid and diploid maize seeds using convolutional neural networks and a transfer learning approach. Computers and Electronics in Agriculture, 163(40), 1–11. https://doi.org/10.1016/j.compag.2019.104874