Klasifikasi Penyakit Daun Tebu Menggunakan Swin Transformer dan Augmentasi Data RandAugment

Abstract

Patogen adalah organisme yang dapat merusak tumbuhan, termasuk tanaman tebu. Penyakit akibat patogen dapat dideteksi di laboratorium, tetapi prosesnya memerlukan banyak langkah dan waktu yang cukup lama. Teknologi computer vision mampu mengatasi tantangan ini, dengan dua arsitektur model utama yang tersedia saat ini, yaitu Convolutional Neural Network (CNN) dan Transformer. Arsitektur berbasis transformer memiliki kinerja yang lebih unggul dibandingkan CNN, sehingga penelitian ini memilih model transformer bernama Swin Transformer yang merupakan pengembangan dari Vision Transformer. Seluruh model memiliki potensi menghadapi masalah overfitting apabila data pelatihan terbatas, oleh karena itu augmentasi data digunakan untuk antisipasi permasalahan ini sekaligus meningkatkan akurasi model. RandAugment adalah metode augmentasi data dengan algoritma sederhana dan efektif yang memiliki parameter N dan M (magnitude), N adalah jumlah augmentasi dan M adalah besaran efek dari augmentasi. Penelitian ini mengombinasikan model Swin Transformer dengan augmentasi data RandAugment. Tahap awal melibatkan pengumpulan 1.004 citra di perkebunan Mumbul, Kabupaten Jember. Data yang dikumpulkan mempunyai empat kelas: healthy, red rot, rust, dan yellow. Data yang telah terkumpul dibagi menjadi data pelatihan dan data pengujian dengan perbandingan 80%:20%. Selanjutnya, data pelatihan dan pengujian diubah ukurannya agar sesuai dengan input Swin Transformer, yaitu 224 x 224 piksel. Pada model dengan augmentasi RandAugment, data pelatihan ditambahkan dengan versi augmentasi dari data awal menggunakan nilai N = 2. Parameter pelatihan yang digunakan meliputi variasi learning rate sebesar 0.1, 0.01, dan 0.001 serta nilai M sebesar 3, 6, dan 9. Penelitian ini menunjukkan bahwa model dengan augmentasi RandAugment mencapai akurasi tertinggi dengan peningkatan akurasi sebesar 1,53% dibandingkan model tanpa augmentasi. Kombinasi parameter terbaik tercapai pada learning rate 0,01 dan nilai M sebesar 9.