Penerapan Open-Set Recognition Pada Klasifikasi Penyakit Daun Sawit Berbasis MobileNetV4 - Submit Jurnal

Miftahul Huda, Tito Ariffianto (2026) Penerapan Open-Set Recognition Pada Klasifikasi Penyakit Daun Sawit Berbasis MobileNetV4 - Submit Jurnal. Bachelor thesis, Institut Teknologi Kalimantan.

	Text 11221035_cover.pdf Download (218kB)
	Text 11221035_statement_of_authenticity.pdf Download (98kB)
	Text 11221035_publishing_agreement.pdf Download (72kB)
	Text 11221035_approval_sheet.pdf Download (467kB)
	Text 11221035_preface.pdf Download (122kB)
	Text 11221035_abstract_id.pdf Download (144kB)
	Text 11221035_abstract_en.pdf Restricted to Repository staff only until 8 October 2028. Download (143kB) | Request a copy
	Text 11221035_table_of_content.pdf Restricted to Repository staff only until 8 October 2028. Download (198kB) | Request a copy
	Text 11221035_illustrations.pdf Restricted to Repository staff only until 10 October 2028. Download (121kB) | Request a copy
	Text 11221035_tables.pdf Restricted to Repository staff only until 8 October 2028. Download (107kB) | Request a copy
	Text 11221035_notatios.pdf Restricted to Repository staff only until 8 October 2028. Download (227kB) | Request a copy
	Text 11221035_chapter_1.pdf Restricted to Repository staff only until 8 October 2028. Download (254kB) | Request a copy
	Text 11221035_chapter_2.pdf Restricted to Repository staff only until 8 October 2028. Download (677kB) | Request a copy
	Text 11221035_chapter_3.pdf Restricted to Repository staff only until 8 October 2028. Download (508kB) | Request a copy
	Text 11221035_chapter_4.pdf Restricted to Repository staff only until 8 October 2028. Download (1MB) | Request a copy
	Text 11221035_chapter_5.pdf Restricted to Repository staff only until 8 October 2028. Download (147kB) | Request a copy
	Text 11221035_bibliography.pdf Download (162kB)
	Text 11221035_enclosure.pdf Restricted to Repository staff only until 8 October 2028. Download (70kB) | Request a copy
	Text 11221035_paper.pdf Restricted to Repository staff only until 8 October 2028. Download (888kB) | Request a copy
	Text 11221035_presentation.pdf Download (7MB)
	Text 11221035_statement_of_authenticity.pdf Download (349kB)

Abstract

Klasifikasi penyakit daun kelapa sawit berbasis citra menjadi salah satu pendekatan penting dalam mendukung monitoring kesehatan tanaman secara otomatis dan efisien. Namun, sebagian besar sistem klasifikasi berbasis deep learning masih menggunakan pendekatan closed-set, sehingga model hanya mampu mengenali kelas yang tersedia pada data pelatihan dan cenderung memberikan prediksi dengan tingkat keyakinan tinggi terhadap sampel penyakit baru yang belum pernah dipelajari. Kondisi tersebut berisiko menurunkan reliabilitas sistem ketika diterapkan pada lingkungan perkebunan nyata yang dinamis. Penelitian ini menerapkan pendekatan Open-Set Recognition (OSR) pada klasifikasi penyakit daun kelapa sawit menggunakan arsitektur MobileNetV4 dan metode Top-k Logit Disparity Score (TKLDS). Penelitian mengevaluasi tiga varian backbone MobileNetV4, yaitu Conv-Small, Conv-Medium, dan Conv-Large, menggunakan dua strategi transfer learning berupa Frozen backbone dengan hidden layer 512 dan Staged Fine-Tuning dengan default classifier head. Evaluasi dilakukan pada skenario closed-set dan open-set menggunakan metrik accuracy, precision, recall F1-score, AUROC, serta analisis latensi inferensi. Hasil penelitian menunjukkan bahwa pada evaluasi closed-set, MobileNetV4 Conv-Medium dengan strategi Frozen Backbone memperoleh performa terbaik dengan accuracy sebesar 82,46% dan F1-score sebesar 77,31%. Pada evaluasi open-set, MobileNetV4 Conv-Medium dengan strategi Staged Fine-Tuning menggunakan TKLDS k=2 memperoleh AUROC tertinggi sebesar 0,8166. Hasil pengukuran latensi menunjukkan bahwa Conv-Small memiliki waktu inferensi terendah sebesar 0,5897 ms/citra, sedangkan analisis trade-off menunjukkan bahwa Conv-Medium dengan Staged Fine-Tuning memberikan keseimbangan terbaik dengan rata-rata F1-score dan AUROC sebesar 0,7898 serta latensi 1,6177 ms/citra. Berdasarkan hasil tersebut, konfigurasi MobileNetV4 Conv-Medium dengan Staged Fine-Tuning memberikan trade-off terbaik antara performa klasifikasi, kemampuan membedakan sampel known dan unknown, serta waktu inferensi.

Item Type:	Thesis (Bachelor)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Jurusan Matematika dan Teknologi Informasi > Informatika
Depositing User:	Tito Tito Huda
Date Deposited:	17 Jul 2026 06:50
Last Modified:	17 Jul 2026 06:50
URI:	http://repository.itk.ac.id/id/eprint/27608

Actions (login required)

View Item