KLASIFIKASI CITRA BIBIT TANAMAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DAN IMPROVED FEATURE PYRAMID NETWORK
Klasifikasi bibit tanaman bertujuan untuk membantu memfasilitasi pengendalian jenis tanaman. Namun, tugas klasifikasi tanaman menggunakan metode manual rentan terhadap kesalahan manusia. Dengan demikian, CNN dan Improved FPN diimplementasikan untuk melakukan tugas klasifikasi. Peningkatan FPN dilakukan untuk meningkatkan kualitas informasi yang didapatkan fitur, dengan menerapkan Channel Attention Module dan Augmented Bottom-up Pathway. Arsitektur ResNet50 digunakan sebagai backbone konvolusi FPN untuk meningkatkan kemampuan FPN mengekstraksi fitur. CNN kemudian diterapkan pada setiap peta fitur FPN akhir untuk mengklasifikasikan data. Pada penelitian ini, hasil pengujian klasifikasi menunjukkan model memiliki kinerja lebih baik ketika FPN ditingkatkan dengan Channel Attention Module dan Augmented Bottom-up Pathway dengan rasio pengurangan Channel Attention diatur ke nilai 4 dengan akurasi pengujian yaitu 93,11% dan skor F1 yaitu 93%.
APA Style
. (2022).KLASIFIKASI CITRA BIBIT TANAMAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DAN IMPROVED FEATURE PYRAMID NETWORK ().Teknik Informatika:FTI
Chicago Style
.KLASIFIKASI CITRA BIBIT TANAMAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DAN IMPROVED FEATURE PYRAMID NETWORK ().Teknik Informatika:FTI,2022.Text
MLA Style
.KLASIFIKASI CITRA BIBIT TANAMAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DAN IMPROVED FEATURE PYRAMID NETWORK ().Teknik Informatika:FTI,2022.Text
Turabian Style
.KLASIFIKASI CITRA BIBIT TANAMAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DAN IMPROVED FEATURE PYRAMID NETWORK ().Teknik Informatika:FTI,2022.Text
