Pemanfaatan Convolutional Neural Network Dalam Klasifikasi Penyakit Tanaman Singkong Menggunakan Arsitektur Densenet
DOI:
https://doi.org/10.34818/eoe.v9i6.19004Abstrak
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, DenseNetUnduhan
Referensi
[1] “Produksi Ubi Kayu Menurut Provinsi (ton), 1993-2015.” https://www.bps.go.id/dynamictable/2015/09/09/880/produksi-ubi-kayu-menurut-provinsi-ton-1993-2015.html (diakses Nov 11, 2021).
[2] N. Saleh, D. Harnowo, dan I. M. J. Mejaya, Penyakit-Penyakit Penting pada Ubi Kayu Deskripsi, Bioekologi, dan Pengendaliannya. Malang: Balai Penelitian Tanaman Aneka Kacang dan Umbi, 2016.
[3] N. O’Mahony et al., “Deep Learning vs. Traditional Computer Vision,” Adv. Intell. Syst. Comput., vol. 943, no. Cv, hal. 128–144, 2020, doi: 10.1007/978-3-030-17795-9_10.
[4] J. Yi et al., “Deep learning for non-invasive diagnosis of nutrient deficiencies in sugar beet using RGB images,” Sensors (Switzerland), vol. 20, no. 20, hal. 1–19, 2020, doi: 10.3390/s20205893.
[5] B. R. D. Prá, R. N. De Mesquita, M. O. De Menezes, dan D. A. De Andrade, “Nutritional evaluation of brachiaria brizantha cv. Marandu using convolutional neural networks,” Intel. Artif., vol. 23, no. 66, hal. 85–96, 2020, doi: 10.4114/intartif.vol23iss66pp85-96.
[6] “CropNet: Cassava Disease Detection | TensorFlow Hub.” https://www.tensorflow.org/hub/tutorials/cropnet_cassava (diakses Agu 03, 2022).
[7] K. Gurney, An introduction to neural networks. Taylor & Francis e-Library, 1997.
[8] A. Burkov, The Hundred-Page Machine Learning Book. Quebec City: Andriy Burkov, 2019.
[9] A. Géron, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd ed. Sebastopol: O’Reilly Media, 2019.
[10] J. Brownlee, “How Do Convolutional Layers Work in Deep Learning Neural Networks?” https://machinelearningmastery.com/convolutional-layers-for-deep-learning-neural-networks/ (diakses Des 20, 2021).
[11] J. P. Mueller dan L. Massaron, Machine Learning For Dummies, 1st ed. New Jersey: John Wiley & Sons, 2016.
[12] S. Albawi, T. A. M. Mohammed, dan S. Alzawi, “Understanding of a Convolutional Neural Network,” Int. Conf. Educ. Technol., hal. 16, 2017.
[13] G. Huang, Z. Liu, L. Van Der Maaten, dan K. Q. Weinberger, “Densely connected convolutional networks,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-Janua, hal. 2261–2269, 2017, doi: 10.1109/CVPR.2017.243.
[14] “CVPR2017.” https://cvpr2017.thecvf.com/program/main_conference#cvpr2017_awards (diakses Des 05, 2021).
[15] E. Mwebaze, T. Gebru, A. Frome, S. Nsumba, dan J. Tusubira, “iCassava 2019 Fine-Grained Visual Categorization Challenge,” Agu 2019, doi: 10.48550/arxiv.1908.02900.
[16] M. Vakili, M. Ghamsari, dan M. Rezaei, “Performance Analysis and Comparison of Machine and Deep Learning Algorithms for IoT Data Classification,” 2020, [Daring]. Tersedia pada: http://arxiv.org/abs/2001.09636.



