Klasifikasi Penyakit Pada Tanaman Kopi Robusta Berdasarkan Citra Daun Menggunakan Convolutional Neural Network
DOI:
https://doi.org/10.34818/eoe.v9i3.17997Abstract
Abstrak Tanaman kopi merupakan salah satu komoditas perkebunan andalan di Indonesia, dengan sebagian besar hasil produksinya berasal dari tanaman kopi robusta. Salah satu permasalahan dalam produksi kopi robusta, yang dapat menyebabkan kerugian yang cukup signifikan, adalah rendahnya mutu hasil panen tanaman kopi robusta akibat serangan hama dan penyakit. Proses penanganan hama dan penyakit pada tanaman kopi robusta memerlukan sumber daya yang tidak sedikit. Terdapat beberapa cara untuk mengatasi permasalahan tersebut, salah satunya adalah dengan membangun sistem yang dapat melakukan identifikasi terhadap hama dan penyakit pada tanaman kopi robusta. Penelitian ini menggunakan Convolutional Neural Network (CNN) dengan arsitektur EfficientNet-B0 untuk menghasilkan sistem klasifikasi penyakit pada citra daun tanaman kopi robusta. Teknik augmentasi data dan pendekatan fine-tuning diterapkan untuk membantu menghasilkan sistem dengan performansi optimal. Evaluasi performansi dilakukan pada dua algoritma optimasi berbeda, yaitu Adam dan Root Mean Square Propagation (RMSProp). Kedua algoritma memperoleh hasil terbaik yang sama dengan nilai akurasi sebesar 91% Kata kunci : tanaman kopi robusta, CNN, Adam, RMSPropReferences
[1] R. Harni et al., “Teknologi Pengendalian Hama dan Penyakit Kopi,” IAARD, 2015.
[2] S. W. Indiati and N. Saleh, “HAMA TUNGAU MERAH Tetranychus urticae PADA TANAMAN UBIKAYU DAN UPAYA PENGENDALIANNYA,” Buletin Palawija, pp. 73–79, 2010.
[3] J. G. M. Esgario, R. A. Krohling, and J. A. Ventura, “Deep Learning for Classification and Severity Estimation of Coffee Leaf Biotic Stress,” Jul. 2019, [Online]. Available: http://arxiv.org/abs/1907.11561
[4] F. J. P. Montalbo and A. A. Hernandez, “Classifying barako coffee leaf diseases using deep convolutional models,” International Journal of Advances in Intelligent Informatics, vol. 6, no. 2, pp. 197–209, Jul. 2020, doi: 10.26555/ijain.v6i2.495.
[5] J. Ma, K. Du, F. Zheng, L. Zhang, Z. Gong, and Z. Sun, “A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network,” Computers and Electronics in Agriculture, vol. 154, pp. 18–24, Nov. 2018, doi: 10.1016/j.compag.2018.08.048.
[6] F. R. Lumbanraja et al., “Sistem Pakar Diagnosis Hama Dan Penyakit Tanaman Kopi Menggunkan Metode Breadth First Search (BFS) Berbasis Web,” Jurnal Sistem Informasi dan Telematika, vol. 11, Jun. 2020.
[7] Y. D. Kartikasari and D. Arifianto, “SISTEM PAKAR DIAGNOSA HAMA DAN PENYAKIT TANAMAN KOPI MENGGUNAKAN METODE BACKWARD CHAINING BERBASIS WEB.”
[8] J. Parraga-Alava, K. Cusme, A. Elica Loor, and E. Santander, “RoCoLe: A robusta coffee leaf images dataset for evaluation of machine learning based methods in plant diseases recognition,” 2019, doi: 10.17632/c5yvn32dzg.2.
[9] W. Rawat and Z. Wang, “Deep convolutional neural networks for image classification: A comprehensive review,” Neural Computation, vol. 29, no. 9. MIT Press Journals, pp. 2352–2449, Sep. 01, 2017. doi: 10.1162/NECO_a_00990.
[10] M. Tan and Q. v Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” in Proceedings of the 36th International Conference on Machine Learning (PMLR), 2019, pp. 6105–6114.
[11] H. Alhichri, A. S. Alswayed, Y. Bazi, N. Ammour, and N. A. Alajlan, “Classification of Remote Sensing Images Using EfficientNet-B3 CNN Model with Attention,” IEEE Access, vol. 9, pp. 14078–14094, 2021, doi: 10.1109/ACCESS.2021.3051085.
[12] Ü. Atila, M. Uçar, K. Akyol, and E. Uçar, “Plant leaf disease classification using EfficientNet deep learning model,” Ecological Informatics, vol. 61, Mar. 2021, doi: 10.1016/j.ecoinf.2020.101182.
[13] S. Ruder, “An overview of gradient descent optimization algorithms,” Sep. 2016, [Online]. Available: http://arxiv.org/abs/1609.04747
