Klasifikasi Gejala Penyakit Daun Pada Tanaman Singkong Berbasis Vision Menggunakan Metode CNN Dengan Arsitektur Mobilenet

Abstract

Abstrak—Singkong merupakan tanaman pangan yang dikonsumsi oleh mayoritas masyarakat sebagai makanan pokok. Dengan bertumbuhnya konsumsi dan produksi singkong setiap tahun, maka semakin sulitnya bagi petani untuk memeriksa kualitas dari tanaman singkong dengan kuantitas yang semakin banyak setiap tahunnya. Salah satu faktor yang dapat merusak kualitas singkong yaitu penyakit tanaman singkong, gejala dari penyakit singkong sendiri dapat dilihat melalui pengecekan secara visual. Dengan permasalahan tersebut, penulis menggunakan pengolah citra data berbasis algoritma convolution neural network (CNN) di mana merupakan salah satu metode dari deep learning untuk mengklasifikasi gejala penyakit pada tanaman singkong melalui citra data daun singkong. Penulis membandingkan kinerja dari arsitektur CNN yaitu MobileNet V1, MobileNet V2, MobileNet V3, dan CropNet. Terdapat 5656 citra data dengan format JPG yang didapatkan dari situs web www.kaggle.com, yang telah diklasifikasikan sebagai lima kelas yaitu CBSD, CMD, CBB, CGM dan healthy (daun sehat). Hasil terbaik yang didapatkan pada Tugas Akhir ini menggunakan arsitektur CropNet dengan hyperparameter berupa optimizer Adam, learning rate 0.001, dan batch size 32. Hasil yang diperoleh ialah akurasi mencapai 87.47%, presisi sebesar 87%, recall sebesar 82%, dan F1-Score sebesar 84.2%.
Kata Kunci — mobilenet V1, mobilenet V2, mobilenet V3, cropnet.