Klasifikasi Penyakit Daun Tebu Menggunakan Swin Transformer dan Augmentasi Data RandAugment

Abstract

Tebu rentan terkena penyakit yang disbabkan oleh makhluk hidup seperti patogen. Mendeteksi penyakit pada tebu dapat dilakukan melalui uji laboratorium, akan tetapi hal tersebut bisa menjadi masalah karena membutuhkan waktu yang lama. Computer vision dapat mengatasi masalah tersebut. Computer vision mempunyai beberapa tipe arsitektur yaitu arsitektur berbasis CNN dan transformer. Beberapa penelitian menunjukkan bahwa arsitektur berbasis transformer dapat melampaui performa dari arsitektur berbasis CNN, oleh karena itu penelitian ini menggunakan arsitektur berbasis transformer yang bernama swin transformer untuk klasifikasi penyakit pada daun tebu. Swin transformer memperbaiki kekurangan – kekurangan yang ada pada model sebelumnya yaitu vision transformer, akan tetapi semua model bisa saja terkena masalah yang dinamakan overfitting jika kekurangan data. Augmentasi data mengatasi masalah overfitting karena hal tersebut menambah keberagaman data, selain itu, augmentasi data dapat meningkatkan akurasi model. RandAugment dipilih untuk metode aumentasi data karena algoritmanya yang sederhana namun efektif. Kombinasi model swin transformer dan augmentasi data RandAugment untuk klasifikasi penyakit daun tebu menghasilkan peningkatan sebesar 1.53% dari model swin transformer tanpa augmentasi, namun untuk permasalahan overfitting belum bisa dipastikan bisa diatasi oleh augmentasi data RandAugment karena hasil dari model swin transformer tanpa augmentasi tidak mengalami overfitting.