Deteksi penyakit tanaman dengan convolution neural network: Kombinasi arsitektur VGG16 dan ResNet34 untuk klasifikasi daun

Fajar Bima Laksono(1*)


(1) 
(*) Corresponding Author

Abstract


Penelitian ini bertujuan mengembangkan model yang mampu mendeteksi penyakit pada tanaman melalui analisis citra daun menggunakan metode Convolutional Neural Network (CNN). Penyakit tanaman merupakan salah satu faktor utama yang menyebabkan penurunan kualitas hasil pertanian dan perkebunan, sering kali ditandai dengan perubahan pada daun seperti bercak, kelayuan, dan perubahan warna menjadi cokelat. Untuk mencapai tujuan ini, penelitian ini menggabungkan dua arsitektur pemodelan CNN, yaitu VGG16 dan ResNet34, guna meningkatkan akurasi deteksi. Metodologi yang digunakan melibatkan pengumpulan data citra daun yang sehat dan sakit dari 14 jenis tanaman yang berbeda, dengan total 38 jenis penyakit. Data ini kemudian dibagi menjadi data latih dan uji, dan proses pelatihan dilakukan selama 15 epoch. Setelah melalui tahap pelatihan dan pengujian, model yang dihasilkan mampu mencapai tingkat akurasi sebesar 0.987, menunjukkan efektivitas pendekatan yang digunakan. Hasil penelitian ini menunjukkan bahwa kombinasi arsitektur VGG16 dan ResNet34 pada metode CNN dapat secara efektif mengidentifikasi penyakit pada daun tanaman dengan akurasi yang tinggi. Temuan ini diharapkan dapat berkontribusi dalam upaya peningkatan kualitas deteksi penyakit tanaman melalui teknologi pengolahan citra.

Full Text:

PDF

References


Jinan A. & Hayadi B. H., "Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron)," Journal of Computer and Engineering Science, pp. 37-44, 2022.

Lawi A., Intizhami N. S., Mukhtarom R., & Amir S., "Klasifikasi Penyakit Citra Daun Tanaman Tomat Dengan Ensemble Convolutional Neural Network," in Seminar Nasional Teknik Elektro dan Informatika (SNTEI), vol. 8, no. 1, pp. 239-243, 2023.

Krishnaswamy Rangarajan A. & Purushothaman R., "Disease classification in eggplant using pre-trained VGG16 and MSVM," Scientific Reports, vol. 10, no. 1, p. 2322, 2020.

Mayana H. C. & Leni D., "Deteksi Kerusakan Ban Mobil Menggunakan Convolutional Neural Network dengan Arsitektur ResNet-34," Jurnal Surya Teknika, vol. 10, no. 2, pp. 842-851, 2023.

Solikin, S. (2020). Deteksi Penyakit Pada Tanaman Mangga Dengan Citra Digital: Tinjauan Literatur Sistematis (SLR). Bina Insani Ict Journal, 7(1), 63-72.

Purwadi, P., & Nasyuha, A. H. (2022). Implementasi Teorema Bayes Untuk Diagnosa Penyakit Hawar Daun Bakteri (Kresek) Dan Penyakit Blas Tanaman Padi. JURIKOM (Jurnal Riset Komputer), 9(4), 777-783.

Rofiqoh, S., Kurniadi, D., & Riansyah, A. (2020). Sistem Pakar Menggunakan Metode Forward Chaining untuk Diagnosa Penyakit Tanaman Karet. Prosiding Konstelasi Ilmiah Mahasiswa Unissula (KIMU) Klaster Engineering.

Krishnaswamy Rangarajan, A., & Purushothaman, R. (2020). Disease classification in eggplant using pre-trained VGG16 and MSVM. Scientific reports, 10(1), 2322.

Mahmud, K. H., Adiwijaya, A., & Al Faraby, S. (2019). Klasifikasi Citra Multi-Kelas Menggunakan Convolutional Neural Network. eProceedings of Engineering, 6(1).

Johan, T. M. (2023). Klasifikasi Citra Ikan Menggunakan Algoritma Convolutional Neural Network dengan Arsitektur VGG-16. KLIK: Kajian Ilmiah Informatika dan Komputer, 4(2), 978-985.

ANALISIS PERFORMA ALGORITMA CONVOLUTIONAL NEURAL NETWORKS MENGGUNAKAN ARSITEKTUR LENET DAN VGG16

Mayana, H. C., & Leni, D. (2023). Deteksi Kerusakan Ban Mobil Menggunakan Convolutional Neural Network dengan Arsitektur ResNet-34. Jurnal Surya Teknika, 10(2), 842-851.


Article Metrics

Abstract view : 225 times
PDF - 56 times

DOI: https://doi.org/10.26714/jkti.v2i2.13932

Refbacks

  • There are currently no refbacks.


=======================================================================================

Penerbit:

  • JKTI | Jurnal Komputer dan Teknologi Informasi
  • Program Studi S1 Informatika,  Unimus| Universitas Muhammadiyah Semarang
  • Sekretariat: Gedung Kuliah Bersama II (GKB II) Lantai 7,  Jl. Kedungmundu Raya No 18 Semarang
  • email: informatika@unimus.ac.id, Phone: + +62 813 2504 3677
  • e-ISSN: 2986-7592

Paper Template: Download

View My Stats

------------------------------------------------------------------------------------------------------------------------------------------------------