PROPOSAL

IMPLEMENTASI DEEP LEARNING MENGGUNAKAN METODE VISION

TRANSFORMER UNTUK KLASIFIKASI PENYAKIT DAUN PADI

Disusun Oleh :

TRI FEBRIYANTO

2020230053

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS TEKNIK

UNIVERSITAS DARMA PERSADA

2024
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Pertanian merupakan suatu aktivitas yang memanfaatkan sumber daya alam yang

dikelola oleh manusia untuk menghasilkan bahan pangan. Pertanian Indonesia memiliki

pengaruh terbesar untuk kemajuan perekenomian nasional. Pertanian sendiri menjadi

tumpuan utama masyarakat untuk memenuhi kebutuhan. Pertanian dijadikan sebagai

salah satu sektor yang mampu menyediakan lapangan pekerjaan dan memberikan devisa

bagi negara melalui jalur ekspor. Fungsi pertanian yang seperti ini terus menjadi

gambaran pertanian Indonesia sejak dulu. Melihat dari sistem pertanian desa saat ini,

hasil dari pertanian bukan hanya untuk ekspor lagi, melainkan juga sebagai pemenuhan
(Harun et al., 2019)
kebutuhan petani .

Padi (Oryza sativa L.) sebagai makanan pokok telah menjadi aspek penting

dalam peningkatan kesejahteraan masyarakat di Indonesia. Sejalan dengan hal tersebut,

maka produktivitas tanaman ini selalu menjadi perhatian demi tercapainya kedaulatan

pangan. Kedaulatan pangan merupakan isu yang penting bagi bangsa Indonesia karena

menjadi tolak ukur kesejahteraan masyarakat Indonesia. Kedaulatan pangan dicerminkan

pada kekuatan untuk mengatur masalah pangan secara mandiri, yang perlu didukung

dengan adanya ketahanan pangan, terutama kemampuan mencukupi pangan dari produksi
(Wati et al., 2017)
dalam negeri .

Berdasarkan data dari Badan Pusat Statistik (BPS), Pada tahun 2023, luas panen

padi di Indonesia diperkirakan mencapai sekitar 10,20 juta hektar dengan produksi padi

sekitar 53,63 juta ton gabah kering giling (GKG). Jika dikonversikan menjadi beras untuk

konsumsi pangan penduduk, produksi beras pada tahun 2023 diperkirakan sebesar 30,90
juta ton.

Namun, produksi padi seringkali terancam oleh berbagai penyakit, salah satunya

penyakit daun padi. Penyakit ini disebabkan oleh patogen seperti jamur, hama, bakteri,

dan virus. Beberapa jenis penyakit yang menyerang daun padi seperti Blas (Blast),

Bercak Coklat (Brown Spot), Hawar Daun Bakteri (Bacterial Leaf Blight), dan Tungro,

Identifikasi jenis penyakit pada daun padi sangat penting untuk dilakukan agar

penanganan dapat dilakukan secara tepat dan cepat. Seringkali, metode tradisional yang

digunakan petani untuk identifikasi penyakit seringkali tidak akurat dan membutuhkan

waktu yang cukup lama.

Dengan kemajuan teknologi saat ini, Deep Learning menawarkan solusi yang

potensial untuk mengatasi keterbatasan tersebut. Deep Learning adalah cabang ilmu

komputer yang menggunakan jaringan saraf tiruan untuk belajar dari data dan

menyelesaikan berbagai tugas, termasuk klasifikasi gambar.

Berdasarkan hal tersebut, penulis melakukan penelitian dengan judul

“Implementasi Deep Learning Menggunakan Metode Vision Transformer Untuk

Klasifikasi Penyakit Daun Padi”. Penelitian ini bertujuan untuk mengidentifikasikan

jenis penyakit pada daun pisang.

1.2 Rumusan Masalah

Dari masalah yang telah dijelaskan pada latar belakang, terdapat beberapa

rumusan masalah yang dapat diidentifikasi:

1. Bagaimana cara mengimplementasikan deep learning dengan

algortima Vision Transformer untuk klasifikasi penyakit daun padi?

2. Apa saja faktor-faktor yang mempengaruhi kinerja model klasifikasi?

1.3 Batasan Masalah

` Pada penelitian ini terdapat batasan masalah yang dibahas, yaitu:

1. Penelitian ini hanya fokus pada klasifikasi empat jenis penyakit daun

padi yang umum terjadi di Indonesia.

2. Metode yang digunakan adalah Vision Transformer

(VIT) untuk mengidentifikasi jenis penyakit pada daun padi.

3. Aplikasi yang dibuat berbentuk web untuk mengidentifikasi jenis

penyakit daun padi.

1.4 Tujuan Penelitian

Tujuan yang dicapai pada penelitian ini, yaitu:

1. Mengimplementasikan Algoritma Vision Transformer (ViT) dalam

konteks klasifikasi jenis penyakit daun padi.

2. Mengetahui tingkat akurasi yang didapatkan dalam mengklasifikasikan

jenis penyakit daun padi menggunakan metode Vision Transformer

(ViT).

1.5 Manfaat Penelitian

Manfaat dari penelitian ini meliputi:

1. Membantu petani dalam mengidentifikasi jenis penyakit pada tanaman

padi secara dini sehingga dapat dilakukan tindakan pencegahan dan

pengobatan yang tepat.

2. Meningkatkan hasil panen padi dengan meminimalkan dampak

penyakit.

3. Mempermudah proses diagnosis penyakit daun padi, sehingga petani

 tidak perlu lagi mengandalkan ahli.

1.6 Metode Algoritma Sistem

1.6.1 Metode Vision Transformer (ViT)

Vision transformer (ViT) merupakan Metode yang terinspirasi dari

arsitektur Transformer yang merupakan state-of-the-art(SOTA) dalam pemrosesan

bahasa alami. Metode Vision transformer terdiri dari beberapa proses yang

dapat dibagi menjadi patch embeddings, multi-head attention, dan multi

layer perceptron. Pada proses patch embeddings gambar masukan di bagi

menjadi beberapa patch yang jumlahnya disesuaikan dengan ukuran

arsitekturnya. Kemudian gambar tersebut diberi position embeddingsyang

berfungsi untuk memberi informasi lokasi dari patch tersebut pada gambar

tersebut. Misalkan patch paling kiri atas diberi nomor 1 dan patch paling

kanan bawah diberi nomor 16 berturut-turut. Setelah itu patch tersebut akan

dimasukkan ke multi-head attention. Pada proses ini terjadi proses pengolahan

yang akan mengakibatkan data dari patch yang telah dibagi pada proses

sebelumnya untuk diambil informasi pentingnya menggunakan mekanisme

attention. Mekanisme ini mengamplifikasi informasi yang penting dan akan

menghilangkan informasi yang tidak penting berupa pixel. Hasil dari

proses ini kemudian akan diproses lebih lanjut pada multi layer perceptron.

Pada proses ini terjadi fungsi aktivasi menggunakan gaussian error linear

unit. Hasil keluarannya akan dilanjutkan ke layer linear agar hasilnya dapat

disesuaikan dengan jumlah prediksi kelas yang tersedia dan diaktivasi

menggunakan fungsi aktivasi softmaxdan menghasilkan hasil prediksi dari

gambar masukan. Menggunakan Dataset ImageNet, ViT diuji dengan arsitektur

SOTA dalam visi computer seperti ResNet152x4danEfficientNet-L2dan

memperoleh akurasi paling besar diantara ketiga arsitektur tersebut dengan

akurasi sebesar 88,55% (Dosovitskiy et al., 2020).

7
8