Grape leaf image disease classification using CNN-VGG16 model

Hasan, Moh. Arie; Riyanto, Yan; Riana, Dwiza

doi:10.14710/jtsiskom.2021.14013

Cited by 17 publications

(12 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hasil akurasi yang diperoleh sebesar 95% dan untuk akurasi validasi sebesar 94%. Penelitian [6] melakukan klasifikasi tiga jenis penyakit daun anggur dan daun sehat. Proses segmentasi menggunakan k-means clustering dan ekstraksi fitur menggunakan transfer learning VGG16 dan klasifikasi menggunakan CNN.…”

Section: Pendahuluanunclassified

Klasifikasi Penyakit Tanaman Padi Berbasis Citra Daun Menggunakan Convolutional Neural Network (CNN)

Istiqomah,

Murinto

2024

JSTIE

View full text Add to dashboard Cite

Section: Pendahuluanunclassified

Klasifikasi Penyakit Tanaman Padi Berbasis Citra Daun Menggunakan Convolutional Neural Network (CNN)

Istiqomah,

Murinto

2024

JSTIE

View full text Add to dashboard Cite

“…Dan diperoleh hasil akurasi pelatihan model CNN adalah 99,50%. Pengujian dengan data uji memberikan akurasi 97,25%, sedangkan menggunakan data citra uji diluar dataset memberikan akurasi 95% [5]. Selain itu juga penelitian yang dilakukan oleh Dodi Efendi, dkk yang menggunakan algortima CNN dengan arsitektur ResNet50 untuk mengklasifikasi citra daging sapi dan babi dengan jumlah data citra sebanyak 1000 citra untuk masing-masing kelas yakni daging babi, daging sapi dan daging oplosan.…”

Section: Pendahuluanunclassified

Implementasi Algoritma Convolutional Neural Network Untuk Klasifikasi Citra Kemasan Kardus Defect dan No Defect

Antoni

Rohana

Pratama

2023

bits

View full text Add to dashboard Cite

Packaging is an important aspect of a product, because packaging can affect the quality and competitiveness of the product. Damaged packaging can result in decreased product quality. One popular packaging used is corrugated cardboard type box. To visually distinguish defect and no defect cardboard packaging, there are tears, holes and dents on the defect cardboard packaging. Whereas the no defect cardboard packaging has a visual that there are no tears, holes or dents. To simplify the classification, technology is needed that can distinguish between defect and no-defect cardboard packaging. In this study the total images used as a dataset are 1300 images, which are then divided into 2 with a percentage of 80% for training data and 20% for test data. The dataset first goes through the preprocessing stage before being used. Preprocessing consists of cropping, augmentation and resizing. And also do the segmentation process using Grabcut method. Then feature extraction is also performed using Local Binary Pattern (LBP). This study uses the Convolutional Neural Network algorithm with a total of 3 convolution layers, namely 16.32 and 64 and the Adam optimizer. Four experiments were carried out by differentiating the hyperparameter epoch, the input image size and the learning rate. The results showed that the model produced with an epoch hyperparameter of 30, an input image size of 300x300 and a learning rate of 0.001 obtained the best performance with an accuracy value of 95.77%, 96% precision, 96% recall, 96% f1-score and loss of 0.1478.

show abstract

“…Perkembangan ilmu komputasi saat ini dan kapasitas proses komputer semakin meningkat. Salah satu penerapannya adalah dalam melakukan pengenalan objek secara otomatis dengan menggunakan komputer dengan cara mengambil dan mengolah informasi suatu citra [2].…”

Section: Pendahuluanunclassified

Improvement of Handwriting Javascraft Image Quality and Segmentation With Closing Morphology and Adaptive Thresholding Methods

Riyandi¹,

Uyun²

2022

Telematika

View full text Add to dashboard Cite

Tujuan: Perbaikan kualitas citra yang putus-putus atau terlalu tipis pada aksara jawa tulisan tangan menggunakan operasi morfologi dan mengumpulkan dataset secara otomatis dari proses cropping dengan metode Connected Component Labeling.Perancangan/metode/pendekatan: Menerapkan metode operasi morfologi dalam perbaikan citra putus-putus dan metode connected component labeling untuk membantu cropping dalam mengumpulkan dataset secara otomatis.Hasil: Hasil uji coba dengan beberapa kernel yang berbeda antara operasi morfologi opening dan operasi morfologi closing terpilih operasi morfologi closing dengan kernel (45,45) pada bagian dilasi dan kernel (37,37) pada bagian erosi. Hasil dari segmentasi yang terpilih lanjut ke cropping dengan bantuan metode connected component labeling dan klasifikasi convolutional neural network yang diterapkan untuk mengklasifikasi citra aksara jawa dengan baik. Akurasi yang diperoleh adalah sebesar 94,27 % pada proses klasifikasi menggunakan data training dan akurasi 84,53% pada proses klasifikasi menggunakan data validasi.Keaslian/ state of the art: Pengujian dari operasi morfologi opening dan operasi morfologi closing dengan masing-masing 6 kernel berbeda pada proses segmentasi citra aksara jawa untuk perbaikan kualitas citra. Pengumpulan dataset secara otomatis dari hasil cropping citra dengan bantuan metode connected component labeling dan hasil dataset yang terkumpul diklasifikasi untuk masing-masing citra aksara jawa.

show abstract

Grape leaf image disease classification using CNN-VGG16 model

Cited by 17 publications

References 12 publications

Klasifikasi Penyakit Tanaman Padi Berbasis Citra Daun Menggunakan Convolutional Neural Network (CNN)

Klasifikasi Penyakit Tanaman Padi Berbasis Citra Daun Menggunakan Convolutional Neural Network (CNN)

Implementasi Algoritma Convolutional Neural Network Untuk Klasifikasi Citra Kemasan Kardus Defect dan No Defect

Improvement of Handwriting Javascraft Image Quality and Segmentation With Closing Morphology and Adaptive Thresholding Methods

Contact Info

Product

Resources

About