Pemanfaatan Convolutional Neural Network Dalam Klasifikasi Penyakit Tanaman Singkong Menggunakan Arsitektur Densenet

Abstract

Abstrak—Singkong (Manihot esculenta) adalah tanaman yang memiliki permintaan yang tinggi di Indonesia, ditandai dengan peningkatan tingkat produksi seiring waktu. Selain kuantitas, kualitas tanaman harus dijaga, salah satunya dengan memperhatikan gejala penyakit. Gejala penyakit yang timbul pada daun singkong dapat dideteksi dengan inspeksi visual. Tetapi, diperlukan pengetahuan lebih untuk membedakan gejala suatu penyakit dengan penyakit lainnya. Salah satu solusi dari masalah ini adalah pemanfaatan convolutional neural networks (CNN) untuk klasifikasi penyakit. Penulis menggunakan model CNN berbasis arsitektur DenseNet untuk masalah ini. Parameter penilai kinerja model CNN yang digunakan adalah akurasi, presisi, recall, dan F1-score. Model CNN dilatih dengan dataset gambar berwarna berukuran 224 × 224 pixel dengan 5 kelas (CBSD, CMD, CBB, CGM, dan daun sehat) berjumlah 9430 gambar. Pengujian dilakukan untuk menentukan konfigurasi hyperparameter terbaik untuk model CNN. Hyperparameter yang divariasikan adalah optimizer dan learning rate. Dari hasil pengujian, model CNN berbasis DenseNet-169 dengan optimizer RMSprop dan learning rate 0,0001 memiliki hasil terbaik dengan akurasi training sebesar 98,73% dan akurasi testing sebesar 82%.
Kata Kunci — penyakit singkong, convolutional neural network, computer vision, image classification, DenseNet