Klasifikasi Penyakit Pada Tanaman Singkong Menggunakan Arsitektur VGGNET Berbasis Deep Learning
DOI:
https://doi.org/10.34818/eoe.v9i6.18990Abstract
Abstrak—Singkong adalah salah satu jenis tanaman ubi kayu yang mudah ditemui di Indonesia dan menjadi salah satu makanan pokok masyarakat Indonesia. Namun produksi singkong terhitung menurun dari tahun 2014 – 2018. Penurunan ini dapat disebabkan oleh berbagai hal, salah satunya penyakit singkong. Gejala penyakit singkong dapat diperiksa melalui kondisi daun tanaman singkong. Meskipun begitu, diperlukan pengetahuan lebih untuk dapat membedakan gejala satu penyakit dengan yang lainnya. Salah satu solusi yang dapat digunakan adalah metode deep learning yaitu convolutional neural network (CNN) untuk mengklasifikasikan penyakit singkong. Penulis menggunakan salah satu model CNN dari arsitektur VGGNet yaitu VGG16. Parameter uji untuk performa model CNN adalah akurasi, presisi, recall, dan F1-score. Model dilatih dengan dataset berupa citra RGB dengan ukuran 224×224 pixel yang dibagi menjadi 5 kelas (CMD, CGM, CBB, CBSD, dan daun sehat) dengan jumlah sebanyak 9430 citra. Proses pelatihan melibatkan hyperparameter batch size, optimizer, dan learning rate yang divariasikan. Hasil pengujian terbaik adalah model dengan batch size 32, optimizer SGD, dan learning rate 0,001 dengan akurasi training sebesar 82,53% dan akurasi validation sebesar 75%. Kata kunci — penyakit singkong, convolutional neural network, VGGNet, image classificationDownloads
References
[1] “Data Lima Tahun Terakhir,” Kementrian Pertanian Republik Indonesia, 2018. https://www.pertanian.go.id/home/?show=page&act=view&id=61 (diakses Nov 06, 2021).
[2] D. L. Poole dan A. K. Mackworth, Artificial Intelligence Foundation of Computational Agents, 1st Ed. Cambridge University Press, 2017.
[3] A. Burkov, The Hundred-Page Machine Learning Book. Andriy Burkov, 2019.
[4] R. Surya dan E. Gautama, “Cassava Leaf Disease Detection Using Convolutional Neural Networks,” 2020 6th Int. Conf. Sci. Inf. Technol. Embrac. Ind. 4.0 Towar. Innov. Disaster Manag. ICSITech 2020, no. Cmd, hal. 97–102, 2020.
[5] I. Z. Mukti dan D. Biswas, “Transfer Learning Based Plant Diseases Detection Using ResNet50,” 2019 4th Int. Conf. Electr. Inf. Commun. Technol. EICT 2019, no. December, hal. 1–6, 2019.
[6] D. I. Swasono, H. Tjandrasa, dan C. Fathicah, “Classification of tobacco leaf pests using VGG16 transfer learning,” Proc. 2019 Int. Conf. Inf. Commun. Technol. Syst. ICTS 2019, hal. 176–181, 2019.
[7] A. Prabhakar, Neeti, dan R. Devi, “Different Color Detection in an RGB Image,” Int. J. Dev. Res., vol. 7, no. 8, hal. 14503–14506, 2017.
[8] M. Hussain, J. J. Bird, dan D. R. Faria, “A study on CNN transfer learning for image classification,” Adv. Intell. Syst. Comput., vol. 840, hal. 191–202, 2019.
[9] N. K. C. Pratiwi, Y. N. Fu’adah, dan E. Edwar, “Early Detection of Deforestation through Satellite Land Geospatial Images based on CNN Architecture,” J. Infotel, vol. 13, no. 2, hal. 54–62, 2021.
[10] K. Simonyan dan A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., hal. 1–14, 2015.
[11] K. Weiss, T. M. Khoshgoftaar, dan D. D. Wang, A survey of transfer learning, vol. 3, no. 1. Springer International Publishing, 2016.
[12] E. Mwebaze, T. Gebru, A. Frome, S. Nsumba, dan J. Tusubira, “iCassava 2019 Fine-Grained Visual Categorization Challenge,” 2019.
[13] M. Vakili, M. Ghamsari, dan M. Rezaei, “Performance Analysis and Comparison of Machine and Deep Learning Algorithms for IoT Data Classification,” 2020.



