Implementasi Deep Learning dengan Convolutional Neural Network untuk Pendeteksian Hama pada Sawi Hijau Menggunakan Google Colab
DOI:
https://doi.org/10.30606/rjocs.v10i2.2854Keywords:
Convolutional Neural Network (CNN), Deteksi Penyakit Hama Sawi Hijau, Citra Warna, Google Colab, AkurasiAbstract
Penelitian ini mengkaji penerapan metode Convolutional Neural Network (CNN) untuk mengidentifikasi penyakit hama pada daun sawi hijau berdasarkan gambar berwarna, dengan tujuan utama mengembangkan model yang mampu mendeteksi berbagai jenis penyakit hama dengan akurasi tinggi guna membantu petani dalam mengelola penyakit pada tanaman sawi hijau secara lebih efektif. Google Colab digunakan sebagai platform pemrosesan karena menyediakan lingkungan komputasi yang kuat dengan akses gratis ke GPU, sehingga mempercepat pelatihan model. Dataset yang digunakan dalam penelitian ini diperoleh dari platform Kaggle, yang menyediakan 100 gambar sampel untuk pelatihan dan 50 gambar untuk validasi yang terbagi dalam dua kelas: sehat dan terinfeksi hama. Validasi dilakukan untuk menguji kemampuan model dalam memprediksi data baru yang belum pernah dilihat sebelumnya, dan model CNN dibangun menggunakan berbagai pustaka seperti TensorFlow, Keras, NumPy, Pandas, Matplotlib, dan scikit-learn. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mencapai akurasi sebesar 99% pada pengujian menggunakan 10 epoch. Dengan hasil ini, diharapkan sistem yang diusulkan dapat digunakan sebagai alat bantu yang efektif bagi petani dalam mengidentifikasi penyakit hama pada daun sawi hijau, sehingga dapat meningkatkan hasil dan kualitas produksi tanaman sawi hijau
Downloads
References
Nadjua Nuraini and Darmansyah, “PENGARUH DOSIS PUPUK GUANO TERHADAP PERTUMBUHAN DAN PRODUKSI TANAMAN SAWI HIJAU (Brassica juncea L.),” HORTUSCOLER, vol. 2, no. 02, 2021, doi: 10.32530/jh.v2i02.451.
J. Nurcholis, A. Vira, B. Buhaerah, and S. Syaifuddin, “PEMANFAATAN PUPUK ORGANIK CAIR (POC) KULIT PISANG KEPOK TERHADAP PERTUMBUHAN DAN PRODUKSI TANAMAN SAWI HIJAU (Brassica rapa var. parachinensis L.),” Compos. J. Ilmu Pertan., vol. 3, no. 01, 2021, doi: 10.37577/composite.v3i01.307.
T. Suganda and D. Y. Wulandari, “Curvularia sp. Jamur Patogen Baru Penyebab Penyakit Bercak Daun pada Tanaman Sawi,” Agrikultura, vol. 29, no. 3, 2019, doi: 10.24198/agrikultura.v29i3.22716.
N. K. Ayu Parweni, I. W. Getas, and S. Zaetun, “INFEKSI KECACINGAN NEMATODA USUS YANG DITULARKAN MELALUI TANAH (Soil Transmitted Helminth) PADA PETANI SAYUR SAWI HIJAU DI DESA BUG-BUG KECAMATAN LINGSAR KABUPATEN LOMBOK BARAT,” J. Anal. Med. Biosains, vol. 5, no. 2, 2019, doi: 10.32807/jambs.v5i2.107.
L. Y. Rahayu, A. Mulyana, and U. Sunarya, “Perancangan Aplikasi Sistem Pemantauan Pertumbuhan Sawi Hijau Berbasis Web Dengan Computer Vision,” e-Proceeding Appl. Sci., vol. 4, no. 3, 2018.
R. Soekarta, N. Nurdjan, and A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” Insect (Informatics Secur. J. Tek. Inform., vol. 8, no. 2, 2023, doi: 10.33506/insect.v8i2.2356.
B. Yanto`, Maria Angela Kartawidjaja, Ronald Sukwadi, and Marsellinus Bachtiar, “Implementation of Hue Saturation Intensity (Hsi) Color Space Transformation Algorithm With Red, Green, Blue (Rgb) Color Brightness in Assessing Tomato Fruit Maturity,” RJOCS (Riau J. Comput. Sci., vol. 9, no. 2, pp. 167–178, 2023, doi: 10.30606/rjocs.v9i2.2428.
B. Yanto, E. Rouza, L. Fimawahib, B. H. Hayadi, and R. R. Pratama, “Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB),” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 1, 2023, doi: 10.25126/jtiik.20231015695.
B. Yanto, B. -, J. -, and B. H. Hayadi, “Indentifikasi Pola Aksara Arab Melayu Dengan Jaringan Syaraf Tiruan Convolutional Neural Network (Cnn),” JSAI (Journal Sci. Appl. Informatics), vol. 3, no. 3, pp. 106–114, 2020, doi: 10.36085/jsai.v3i3.1151.
B. Yanto, L. Fimawahib, A. Supriyanto, B. H. Hayadi, and R. R. Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” INOVTEK Polbeng - Seri Inform., vol. 6, no. 2, 2021, doi: 10.35314/isi.v6i2.2104.
M. A. Leonardi and A. Y. Chandra, “Analisis Perbandingan CNN dan Vision Transformer untuk Klasifikasi Biji Kopi Hasil Sangrai,” vol. 8, pp. 1398–1407, 2024, doi: 10.30865/mib.v8i3.7732.
B. Yanto, J. Jufri, A. Lubis, B. H. Hayadi, and E. Armita, NST, “KLARIFIKASI KEMATANGAN BUAH NANAS DENGAN RUANG WARNA HUE SATURATION INTENSITY (HSI),” INOVTEK Polbeng - Seri Inform., vol. 6, no. 1, 2021, doi: 10.35314/isi.v6i1.1882.
N. A. Ayunda, E. Haryatmi, and T. A. Riyadi, “Classification of Tomato Ripeness Based on Convolutional Neural Network Methods,” J. Inf. Syst. Informatics, vol. 5, no. 4, 2023, doi: 10.51519/journalisi.v5i4.613.
Nengah Widya Utami and Joshael Juinor Soplantila, “USING SVM (SUPPORT VECTOR MACHINE) METHOD TO PREDICT BEST SELLER BOOK IN AMAZON,” Smart Techno (Smart Technol. Informatics Technopreneurship), vol. 3, no. 1, 2021, doi: 10.59356/smart-techno.v3i1.28.
Y. H. Natbais and A. B. S. Umbu, “Aplikasi Deteksi Penyakit pada Daun Tomat Berbasis Android Menggunakan Model Terlatih Tensorflow Lite,” TEKNOTAN, vol. 17, no. 2, 2023, doi: 10.24198/jt.vol17n2.1.
K. P. Siwilopo and H. Marcos, “MEMBANDINGKAN KLASIFIKASI PADA BUAH JERUK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DAN K-NEAREST NEIGHBOR,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 1, 2023, doi: 10.34010/komputa.v12i1.9068.
I. M. Z. Sukri and H. Rakhmad, “Penanganan Hama dan Penyakit Tanaman Jeruk Dalam Desain Sistem Pakar Diagnosis Penyakit Menggunakan Metode Euclidean Distance,” Semin. Nas. Has. Penelit. dan Pengabdi. Masy., 2016.
