Klasifikasi Gejala Defisiensi Nutrisi Pada Tanaman Padi Menggunakan Cnn Dengan Arsitektur Googlenet

Abstract

Abstrak—Tanaman padi merupakan sumber kehidupan bagi manusia, tidak hanya sebagai kebutuhan pangan, padi juga menjadi objek mata pencaharian bagi petani. Defisiensi nutrisi atau kekurangan nutrisi juga sering terjadi pada tanaman padi, sehingga mempengaruhi tingkat kualitas produksi. Defisiensi nutrisi pada umumnya dapat dilihat dari warna dan bentuk daun yang tidak sehat, oleh karena itu dapat dideteksi sejak dini untuk mengurangi gejala kekurangan nutrisi pada tanaman padi. Penelitian ini, mengklasifikasikan gejala defisiensi nutrisi pada tanaman padi dengan menggunakan Convolutional Neural Network (CNN) arsitektur GoogleNet berbasis pengolahan citra. Terdapat 1156 citra dengan dataset bersumber dari Kaggle yang terbagi menjadi tiga kelas yaitu defisiensi Nitrogen(N), Fosfor(P), dan Kalium (K). Parameter yang dianalisis pada penelitian ini adalah akurasi, loss, presisi, recall, dan F1-Score. Tiap pengujian, dilakukan lima skenario pengujian terhadap hyperparameter berupa optimizer, learning rate, batch size, input size, serta pengujian terhadap citra asli dan CLAHE. Dari pengujian yang telah dilakukan didapatkan hasil terbaik dengan optimizer yang digunakan Adam, learning rate bernilai 0.001, batch size 64,dan input size 512 × 512. Dari konfigurasi tersebut didapatkan test accuracy sebesar 93.94% dengan testing loss yaitu 0.2370.
Kata Kunci—defisiensi nutrisi, padi, CNN ,googlenet, klasifikasi.