Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Optimisasi Kombinasi Parameter pada Jaringan Saraf Konvolusional Menggunakan Improved Grey Wolf Optimizer untuk Klasifikasi Kekurangan Nutrisi pada Padi

Rektorat UDINUS 2026 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2026
Tujuan
Nomor
241f0388-5499-4b08-b298-a599f9841f82
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan penelitian mengenai optimasi kombinasi parameter pada Convolutional Neural Network untuk klasifikasi kekurangan nutrisi pada tanaman padi. Kegiatan ini melibatkan Sari, Yuslena; Pramunendar, Ricardus Anggi; Mambang, M.; Cipta, Subhan Panji; Alzami, Farrikh; dan Sunardi, Sunardi sebagai peserta penelitian. Penelitian membahas tantangan pertanian presisi yang berkaitan dengan pertumbuhan penduduk, berkurangnya lahan yang dapat ditanami, dan perubahan iklim. Fokusnya adalah pengelolaan nutrisi tanaman yang efisien untuk meningkatkan produktivitas dengan tetap mendukung keberlanjutan.

Penelitian ini memperkenalkan metode Improved Grey Wolf Optimizer untuk menentukan nilai parameter Convolutional Neural Network dalam mendeteksi kekurangan nutrisi. Parameter yang digunakan meliputi jumlah epoch, dropout rate, ukuran hidden layer, learning rate, fungsi aktivasi, dan optimizer. Improved Grey Wolf Optimizer menggunakan mekanisme penyesuaian parameter adaptif untuk meningkatkan keseimbangan antara eksplorasi dan eksploitasi, mengurangi risiko konvergensi prematur, serta meningkatkan efisiensi komputasi. Penelitian menggunakan dataset Nutrient Deficiency Symptoms in Rice dari Kaggle.

Kegiatan ini membandingkan Improved Grey Wolf Optimizer dengan Grey Wolf Optimizer asli, Particle Swarm Optimization, Whale Optimization Algorithm, hybrid Grey Wolf Optimizer dan Whale Optimization Algorithm, serta FOX optimizer. Parameter yang dihasilkan adalah 8 epoch, dropout rate 0,1, ukuran hidden layer 128, learning rate 0,002, fungsi aktivasi ReLU, dan optimizer Adam. Metode tersebut mencapai akurasi pelatihan 86,77%, akurasi pengujian 82,43%, dan waktu pelatihan 109,50 detik. Grey Wolf Optimizer asli dan Whale Optimization Algorithm menunjukkan konvergensi lebih lambat dan akurasi lebih rendah. Particle Swarm Optimization memiliki biaya komputasi lebih tinggi, sedangkan FOX optimizer dan metode hibrida kurang efisien dan stabil.

Kegiatan UDINUS ini berkaitan dengan tujuan yang dinyatakan melalui penelitian tentang deteksi kekurangan nutrisi pada padi, pertanian presisi, konteks perubahan iklim, dan pengelolaan tanaman berkelanjutan. Kegiatan ini menyediakan pendekatan berbasis optimasi untuk penggunaan Convolutional Neural Network dalam mendeteksi kekurangan nutrisi pada tanaman padi.

Rujukan https://www.scopus.com/pages/publications/105038038248?origin=resultslist