Publication Search

Tanaman padi merupakan salah satu komoditas pangan utama di dunia yang memiliki peran penting dalam menjaga ketahanan pangan global. Namun, produktivitas tanaman padi seringkali terganggu oleh berbagai penyakit daun yang dapat menurunkan kualitas dan hasil panen secara signifikan. Deteksi penyakit secara dini menjadi langkah penting untuk mengendalikan penyebaran penyakit tersebut. Metode konvensional yang mengandalkan pengamatan manual memiliki keterbatasan dalam hal kecepatan, akurasi, serta ketergantungan terhadap keahlian manusia. Oleh karena itu, diperlukan suatu sistem deteksi otomatis yang mampu mengidentifikasi penyakit secara cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit daun padi menggunakan metode YOLO (You Only Look Once) berbasis Deep Learning. Dataset yang digunakan diperoleh dari Kaggle yang terdiri dari citra daun padi dengan anotasi bounding box. Proses penelitian meliputi tahap pengumpulan data, preprocessing, pelatihan model, serta evaluasi performa. Model dilatih menggunakan optimizer Stochastic Gradient Descent (SGD) dengan parameter tertentu untuk memperoleh hasil yang optimal. Evaluasi kinerja model dilakukan menggunakan metrik mean Average Precision (mAP), precision, dan recall. Hasil penelitian menunjukkan bahwa model YOLO mampu mendeteksi penyakit daun padi dengan tingkat akurasi yang tinggi serta waktu deteksi yang relatif cepat. Hal ini menunjukkan bahwa metode YOLO efektif untuk diterapkan dalam sistem pertanian cerdas. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi deteksi penyakit tanaman berbasis kecerdasan buatan.

In this paper, we study a new and improved preconditioned conjugate gradient (PCG) algorithm based on Dai and Liao's procedure to enhance the CG algorithm of (Maulana). The new PCG algorithm satisfies the coupling condition and the sufficient descent condition. This work proposes improved conjugate gradient methods to enhance the efficiency and robustness of classical conjugate gradient methods. The study changes the diagonal of the inverse Hessian approximation to quasi-Newton Broyden-Fletcher-Goldfarb-Shano (BFGS) updating to make a preconditioner for nonlinear conjugate gradient (NCG) methods used to solve large-scale optimization problems with no constraints. We will calculate the step size of this two-term algorithm by accelerating the Wolfe-Powell line searching technique. The proposed new PCG algorithms have proven their global convergence in certain specific conditions reported in this paper.

This paper introduces a hybrid optimization approach that combines genetic algorithms with gradient descent for effective nonlinear function approximation in highdimensional data. Traditional methods struggle with computational efficiency and accuracy in such complex spaces. By integrating genetic algorithms to provide a global search strategy with gradient descent for finetuning, the proposed method achieves faster convergence and improved accuracy. Simulations and case studies demonstrate its effectiveness in applications like data mining, image recognition, and financial modeling.