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
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
