Klasifikasi Gejala Defisiensi Nutrisi Pada Tanaman Padi Menggunakan Cnn Dengan Arsitektur Googlenet
DOI:
https://doi.org/10.34818/eoe.v9i4.18230Abstract
Abstrak—Tanaman padi merupakan sumber kehidupan bagi manusia, tidak hanya sebagai kebutuhan pangan, padi juga menjadi objek mata pencaharian bagi petani. Defisiensi nutrisi atau kekurangan nutrisi juga sering terjadi pada tanaman padi, sehingga mempengaruhi tingkat kualitas produksi. Defisiensi nutrisi pada umumnya dapat dilihat dari warna dan bentuk daun yang tidak sehat, oleh karena itu dapat dideteksi sejak dini untuk mengurangi gejala kekurangan nutrisi pada tanaman padi. Penelitian ini, mengklasifikasikan gejala defisiensi nutrisi pada tanaman padi dengan menggunakan Convolutional Neural Network (CNN) arsitektur GoogleNet berbasis pengolahan citra. Terdapat 1156 citra dengan dataset bersumber dari Kaggle yang terbagi menjadi tiga kelas yaitu defisiensi Nitrogen(N), Fosfor(P), dan Kalium (K). Parameter yang dianalisis pada penelitian ini adalah akurasi, loss, presisi, recall, dan F1-Score. Tiap pengujian, dilakukan lima skenario pengujian terhadap hyperparameter berupa optimizer, learning rate, batch size, input size, serta pengujian terhadap citra asli dan CLAHE. Dari pengujian yang telah dilakukan didapatkan hasil terbaik dengan optimizer yang digunakan Adam, learning rate bernilai 0.001, batch size 64,dan input size 512 × 512. Dari konfigurasi tersebut didapatkan test accuracy sebesar 93.94% dengan testing loss yaitu 0.2370. Kata Kunci—defisiensi nutrisi, padi, CNN ,googlenet, klasifikasi.References
[1] Badan Pusat Statistik Kota Bandar Lampung, “Berita Resmi Statistik,” Bps.Go.Id, vol. 19, no. 27, pp. 1–16, 2021.
[2] D. Rina, “Manfaat Unsur N, P, dan K Bagi Tanaman,” BPTP Kaltim, no. 3, pp. 6–9, 2015.
[3] Z. Xu et al., “Using deep convolutional neural networks for image-based diagnosis of nutrient deficiencies in rice,” Comput. Intell. Neurosci., vol. 2020, 2020.
[4] T. Amirtha, T. Gokulalakshmi, P. Umamaheswari, and T. R. M. Tech, “Machine Learning Based Nutrient Deficiency Detection in Crops,” Int. J. Recent Technol. Eng., vol. 8, no. 6, pp. 5330–5333, 2020.
[5] K. Dr. Suyanto S.T., M.Sc. and P. . Ramadhani, S.T., M.T. , Satria Mandala, Deep Learning Modernisasi Machine Learning Untuk Big Data. Bandung, Jawa Barat. Indonesia: Informatika Bandung.
[6] P. K. Sethy, N. K. Barpanda, A. K. Rath, and S. K. Behera, “Nitrogen Deficiency Prediction of Rice Crop Based on Convolutional Neural Network,” J. Ambient Intell. Humaniz. Comput., vol. 11, no. 11, pp. 5703–5711, 2020.
[7] RHS, “Nutrient deficiencies,” 2021. [Online]. Available: https://www.rhs.org.uk/prevention-protection/nutrient-deficiencies. [Accessed: 23-Nov-2021].
[8] H. Yamashita, R. Sonobe, Y. Hirono, A. Morita, and T. Ikka, “Dissection of hyperspectral reflectance to estimate nitrogen and chlorophyll contents in tea leaves based on machine learning algorithms,” Sci. Rep., pp. 1–11, 2020.
[9] M. Inti et al., “Studi Pengaruh Pemberian Pupuk Kandang Dan Guano Fosfat Terhadap Serapan Kalium Tanaman Kacang Hijau (Vigna radiata L),” vol. 23, no. 1, pp. 44–52, 2021.
[10] R. Munir, “Pengantar Pengolahan Citra,” Pengolah. Citra Digit., no. Bagian 1, pp. 1–10, 2013.
[11] Y. D. Heryadi and T. D. Wahyono, Dasar-Dasar Deep Learning Dan Impelementasinya, Cetakan I. Yogyakarta: Penerbit Gava Media, 2021.
[12] A. Ghosh, A. Sufian, F. Sultana, A. Chakrabarti, and D. De, Fundamental concepts of convolutional neural network, vol. 172, no. January. 2019.
[13] IBM Cloud Education, “What are Convolutional Neural Networks?,” Ibm.com, 2021. [Online]. Available: https://www.ibm.com/cloud/learn/convolutional-neural-networks. [Accessed: 23-Nov-2021].
[14] T. Wood, “Softmax Function Definition,” DeepAI, 2019. [Online]. Available: https://deepai.org/machine-learning-glossary-and-terms/softmax-layer.
[15] G. Zeng, Y. He, Z. Yu, X. Yang, R. Yang, and L. Zhang, “Preparation of novel high copper ions removal membranes by embedding organosilane-functionalized multi-walled carbon nanotube,” J. Chem. Technol. Biotechnol., vol. 91, no. 8, pp. 2322–2330, 2016.
[16] H. A. Prihanditya and A. Alamsyah, “The Implementation of Z-Score Normalization and Boosting Techniques to Increase Accuracy of C4.5 Algorithm in Diagnosing Chronic Kidney Disease,” J. Soft Comput. Explor., vol. 1, no. 1, pp. 63–69, 2020.
[17] G. Yadav, Saurabh Maheswari, and A. Agarwal, “Contrast limited adaptive histogram equalization based enhancement for real time video system,” Contrast Ltd. Adapt. histogram Equal. based Enhanc. real time video Syst., pp. 2392–2397, 2014.
[18] F. Demir, “Deep autoencoder-based automated brain tumor detection from MRI data,” Artif. Intell. Brain-Computer Interface, pp. 317–351, Jan. 2022.
