Deteksi Penyakit Pada Tanaman Jagung Berbasis Pengolahan Citra Digital Dengan Metode Convolutional Neural Network
Abstract
Tanaman jagung tumbuh baik di daerah panas dan
dingin dengan curah hujan dan irigasi yang cukup. Namun
selama satu siklus hidupnya dari benih ke benih, setiap bagian
jagung rentan terhadap sejumlah penyakit sehingga dapat
menurunkan kuantitas dan kualitas hasil. Karena itu masalah
penyakit merupakan salah satu faktor pembatar produksi dan
mutu benih.
Pada tugas akhir ini akan membahas mengenai
perancangan suatu sistem deteksi penyakit tanaman jagung
menggunakan metode Convolutional Neural Network (CNN)
dengan arsitektur Alexnet untuk mengklasifikasikannya. Data
akan diolah melalui beberapa tahap. Dataset yang digunakan
pada penelitian Tugas Akhir ini berupa tiga kelas penyakit
tanaman jagung yaitu, blight, common rust dan grey leaf spot
dan satu jenis tanaman sehat dengan total keseluruhan data
4188 dataset. Dataset tersebut dapat diakses online melalui
website kaggle.
Parameter yang diujikan pada penelitian ini yaitu optimizer,
learning rate, jumlah epochs, input size, dan batch size
berpengaruh terhadap performa sistem yang berupa nilai
akurasi, precision, recall, fl-score, dan loss. Pada penelitian ini
didapatkan hasil terbaik dengan penggunaan optimizer SGD,
learning rate 0,01, jumlah epochs 20, input size 128x128, dan
batch size 32 didapatkan hasil performa sistem dengan nilai
akurasi, precision, recall, fl-score, dan loss masing-masing
sebesar 89%, 87%, 85%, 85% dan 0,2852, serta grafik performa
akurasi dan loss secara good fit.
Kata kunci— Penyakit tanaman jagung, Convolutional
Neural Network, Alexnet. Pengolahan citra digital, Akurasi
References
Kamljot Singh Kailey and Gurjinder Singh Sahdra
based plant disease,=IJCTA, Vol 3(3), 1099-1104, May-June
Agung Pratama. (2021). Klasifikasi Hama Dan Penyakit
Tanaman Jagung Dengan Pendekatan One Against All Dan
One Against One Multiclass Classification Support Vector
Machine.
Hidayat, A., Darusalam, U., & Irmawati, I. (2019).
DETECTION OF DISEASE ON CORN PLANTS USING
CONVOLUTIONAL NEURAL NETWORK METHODS.
Jurnal Ilmu Komputer Dan Informasi, 12(1).
https://doi.org/10.21609/jiki.v12i1.695
Putra Ramadhan, R., & Lysbetti Marpaung, N. (n.d.).
Identifikasi Jenis Penyakit Daun Tanaman Jagung
Menggunakan Jaringan Saraf Tiruan Berbasis
Backpropagation. In Jom FTEKNIK (Vol. 6).
Marzuki, I., Studi Tadris Matematika, P., Muhammadiyah
Probolinggo Jl Sukarno Hatta, S., & Probolinggo, K. (n.d.).
Deteksi Otomatis Penyakit Daun Jagung Menggunakan
Teknik Klasterisasi Data dan Operasi Morfologi. 10, 2020
Sistem Pemantauan Pasar dan Kebutuhan Pokok
Kementerian Perdagangan.
Jakarta (ID) : Kementrian Perdagangan RI.
Sudjadi, M., Balai, S., Tanaman, P., & Bogor, P. (2018).
Penyakit Jagung dan Pengendaliannya.
Dewi, I. R., Magdalena, I. R., Yunendah, R., & Fu’addah,
N. (2019). Klasifikasi Retinopati Diabetik Pada Citra Mata
Digital Menggunakan 3d Glcm Dengan Learning Vector
Quantization. (Vol.6).
Kusumanto, R. D., & Tompunu, A. N. (2011).
PENGOLAHAN CITRA DIGITAL UNTUK
MENDETEKSI OBYEK MENGGUNAKAN
PENGOLAHAN WARNA MODEL NORMALISASI RGB.
In Seminar Nasional Teknologi Informasi & Komunikasi
Terapan.
Fu’adah, Y. N., Pratiwi, N. C., Pramudito, M. A., &
Ibrahim, N. (2020). Convolutional Neural Network (CNN)
for Automatic Skin Cancer Classification System. IOP
Conference Series: Materials Science and Engineering,
(1). https://doi.org/10.1088/1757-899X/982/1/012005
Karpathy, A. (2018). Introduction to Convolutional
Neural Networks.
T. L. D. Munthe, "Klasifikasi Citra Kanker Kulit
Berdasarkan Tingkat Keganasan Kanker pada Melanosit
Menggunakan Deep Convolutional Neural Network,"
Universitas Sumatera Utara, p. 74, 2018.
N. Sofia, "Convolutional Neural Network," 9 June 2018.
T. M. T. C. Y. S. W. P. S. M. S. N. B. C. V. E. A. A. S.
A. V. K. A. Md Zahangir Alom, "The History Began from
AlexNet: A Comprehensive Survey on Deep Learning
Approaches," Cornell University, 2018
