Penerapan Model Generatif Pada Kerangka Kerja Deep Learning Untuk Menerjemahkan Citra Sketsa Daun Menjadi Citra Alami Daun

Authors

  • Muhammad Eka Purbaya Universitas Gadjah Mada

DOI:

https://doi.org/10.25273/research.v1i02.3349

Abstract

Sebagai salah satu objek penelitian yang dikembangkan untuk klasifikasi spesies tanaman melalui proses identifikasi citra daun. Seringkali citra daun yang digunakan tidak dalam kondisi yang ideal untuk dikaji karena banyaknya gangguan terutama bila pengujian dilakukan menggunakan objek sketsa yang tentunya memiliki tingkat keserupaan yang jauh dari bentuk alaminya. Sehingga diperlukan adanya perbaikan struktur citra sketsa daun agar mempermudah klasifikasi tanaman dengan metode penerjemahan citra. Metode yang dapat digunakan untuk mengubah menerjemahkan citra adalah dengan memanfaatkan model generatif pada kerangka kerja deep learning. Metode yang diusulkan pada model generatif ini adalah dengan memanfaatkan jaringan permusuhan model antara model generatif dengan arsitektur U-Net dan model diskriminatif dengan arsitektur PatchGANs yang lebih dikenal dengan metode CoGANs. Kerangka kerja deep learning  tersebut dilatih selama 50 epoch kemudian dianalisis secara kualitatif dan kuantitatif. Pada hasil kualitatif, semakin lama pembelajaran maka hasil penerjemahan akan semakin baik. Sedangkan pada penilaian kuantitatif model generatif melalui MAE loss function menghasilkan nilai 0,0926 (± 0,0068) yang menunjukkan bahwa model generatif tersebut menghasilkan penerjemahan citra yang mampu mendekati citra aslinya

Downloads

Download data is not yet available.

References

V. Metre and J. Ghorpade, “An overview of the research on texture based plant leaf classification,†arXiv Prepr. arXiv1306.4345, vol. 2, no. 3, pp. 61–64, 2013.

H. Scharr, M. Minervini, A. P. French, C. Klukas, D. M. Kramer, X. Liu, I. Luengo, J. P. Gerrit, P. Danijela, V. Xi, and S. A. Tsaftaris, “Leaf segmentation in plant phenotyping : a collation study,†Mach. Vis. Appl., vol. 27, no. 4, pp. 585–606, 2016.

M. Mirza and S. Osindero, “Conditional Generative Adversarial Nets,†pp. 1–7, Nov. 2014.

I. J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio, “Generative Adversarial Networks,†pp. 1–9, Jun. 2014.

O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,†pp. 1–8, 2015.

J. Zhu, P. Krähenbühl, E. Shechtman, and A. A. Efros, “Generative Visual Manipulation on the Natural Image Manifold,†pp. 1–16, Sep. 2016.

P. Isola, J. Y. Zhu, T. Zhou, and A. A. Efros, “Image-to-image translation with conditional adversarial networks,†Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017–Janua, pp. 5967–5976, 2017.

A. Radford, L. Metz, and S. Chintala, “Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks,†CoRR, vol. abs/1511.0, 2015.

“MalayaKew Dataset + Ground Truth.†[Online]. Available: http://web.fsktm.um.edu.my/~cschan/downloads_MKLeaf_dataset.html. [Accessed: 10-May-2018].

M. Mether, “The history of the central limit theorem,†Sovell. Mat. erikoistyöt, vol. 2, no. 1, p. 08, 2003.

“Google Colaboratory.†[Online]. Available: https://colab.research.google.com/. [Accessed: 03-Mar-2018].

Downloads

Published

2018-10-31

How to Cite

Purbaya, M. E. (2018). Penerapan Model Generatif Pada Kerangka Kerja Deep Learning Untuk Menerjemahkan Citra Sketsa Daun Menjadi Citra Alami Daun. RESEARCH : Journal of Computer, Information System & Technology Management, 1(2), 39–45. https://doi.org/10.25273/research.v1i02.3349

Issue

Vol. 1 No. 2 (2018)

Section

Articles

License

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
Crossref
Scopus
Google Scholar
Europe PMC