Akurasi Citra Image Penyakit Daun Kentang berdasarkan Citra Sehat, Citra Early Blight, dan Citra Late Blight Menggunakan Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.30606/rjocs.v10i2.2862Keywords:
Penyakit Daun Kentang, Convolutional Neural Network (CNN), Deep Learning, Citra ImageAbstract
Kentang merupakan salah satu produk hasil pertanian yang memiliki kandungan tepung tertinggi keempat setelah jagung, gandum, dan padi. Pengelolaan pertanian kentang menghadapi berbagai permasalahan, salah satunya adalah penyakit pada daun kentang yang dapat menyebabkan hasil produksi yang buruk hingga gagal panen jika tidak ditangani dengan tepat. Dua penyakit yang sering ditemui pada daun kentang adalah early blight dan late blight, yang masing-masing memiliki gejala serta penanganan berbeda. Proses klasifikasi penyakit yang lambat dapat menyebabkan tambahan biaya untuk perawatan. Penelitian ini memanfaatkan algoritma deep learning, yaitu Convolutional Neural Network (CNN), untuk klasifikasi citra daun kentang. Metode CNN menggunakan proses konvolusi di mana citra dipecah menjadi gambar-gambar yang lebih kecil dengan konvolusi yang sama. Hasil dari gambar-gambar kecil tersebut kemudian dimasukkan ke dalam array baru yang digunakan untuk prediksi. Data yang digunakan dalam penelitian ini berjumlah 5400 citra, terbagi menjadi tiga kelas: citra sehat, citra early blight, dan citra late blight. Hasil pengujian menunjukkan akurasi tertinggi pada data validasi sebesar 99% dengan waktu komputasi per epoch sekitar 2,5 detik. Dengan demikian, dapat disimpulkan bahwa algoritma deep learning Convolutional Neural Network (CNN) mampu melakukan proses klasifikasi penyakit pada citra daun kentang dengan sangat baik.
Downloads
References
S. Lestari and K. Irfan Nauval, “IMPLEMENTASI DETEKSI OBJEK PENYAKIT DAUN KENTANG DENGAN METODE CONVOLUTIONAL NEUTRAL NETWORK,” J. Apl. Teknol. Inf. dan Manaj., vol. 3, no. 2, 2022.
K. I. Nauval and S. Lestari, “Implementasi Deteksi Objek Penyakit Daun Kentang dengan Metode Convolutional Neutral Network,” J. Apl. Teknol. Inf. dan Manaj., vol. 3, no. 2, 2022, doi: 10.31102/jatim.v3i2.1576.
A. J. Rozaqi, A. Sunyoto, and M. R. Arief, “Implementasi Transfer Learning pada Algoritma Convolutional Neural Network Untuk Identifikasi Penyakit Daun Kentang,” Procedia Eng. Life Sci., vol. 1, no. 1, 2021.
A. J. Rozaqi, A. Sunyoto, and M. rudyanto Arief, “Deteksi Penyakit Pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network,” Creat. Inf. Technol. J., vol. 8, no. 1, 2021, doi: 10.24076/citec.2021v8i1.263.
A. J. Rozaqi, A. Sunyoto, and R. Arief, “Deteksi Penyakit pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network Detection of Potato Leaves Disease Using Image Processing with Convolutional Neural Network Methods,” Creat. Inf. Technol. J., vol. 8, 2021.
P. Teresia Ompusunggu, “Klasifikasi Penyakit Tanaman Pada Daun Kentang Dengan Metode Convolutional Neural Network Arsitektur Mobilenet,” J. Syntax Fusion, vol. 2, no. 09, 2022, doi: 10.54543/fusion.v2i09.217.
J. R. Aisya and A. Prasetiadi, “Klasifikasi Penyakit Daun Kentang dengan Metode CNN dan RNN,” J. Tekno Insentif, vol. 17, no. 1, 2023, doi: 10.36787/jti.v17i1.888.
U. Khultsum and G. Taufik, “Komparasi Kinerja DenseNet 121 dan MobileNet untuk Klasifikasi Citra Penyakit Daun Kentang,” JURIKOM (Jurnal Ris. Komputer), vol. 10, no. 2, 2023, doi: 10.30865/jurikom.v10i2.6047.
D. Zahirah, N. Kurniati, and H. Darwis, “DIGITAL IMAGE CLASSIFICATION OF HERBAL LEAVES USING KNN AND CNN WITH GLCM FEATURES,” J. Tek. Inform., vol. 5, no. 1, 2024.
P. T. Ompusunggu, “KLASIFIKASI PENYAKIT TANAMAN PADA DAUN KENTANG DENGAN METODE CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR MOBILENET,” J. Syntax FUSION, vol. 2, no. 8.5.2017, 2022.
E. Salim and Suharjito, “Hyperparameter optimization of YOLOv4 tiny for palm oil fresh fruit bunches maturity detection using genetics algorithms,” Smart Agric. Technol., vol. 6, 2023, doi: 10.1016/j.atech.2023.100364.
A. M. Lesmana, R. P. Fadhillah, and C. Rozikin, “Identifikasi Penyakit pada Citra Daun Kentang Menggunakan Convolutional Neural Network (CNN),” J. Sains dan Inform., vol. 8, no. 1, 2022, doi: 10.34128/jsi.v8i1.377.
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, 2020, doi: 10.36085/jsai.v3i3.1151.
A. K. Kurniawan, Andi Sunyoto, and Alva Hendi Muhammad, “Detection of Palm Fruit Maturity Using Convolutional Neural Network Method,” JAIA - J. Artif. Intell. Appl., vol. 2, no. 2, 2023, doi: 10.33372/jaia.v2i2.859.
N. Misron, N. S. K. Azhar, M. N. Hamidon, I. Aris, K. Tashiro, and H. Nagata, “Fruit battery with charging concept for oil palm maturity sensor,” Sensors (Switzerland), vol. 20, no. 1, 2020, doi: 10.3390/s20010226.
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, p. 135, 2021, doi: 10.35314/isi.v6i1.1882.
T. Rahman et al., “Transfer learning with deep Convolutional Neural Network (CNN) for pneumonia detection using chest X-ray,” Appl. Sci., vol. 10, no. 9, 2020, doi: 10.3390/app10093233.
B. Citra, R. E. D. Green, and B. Rgb, “PENERAPAN ALGORITMA DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK DALAM MENENTUKAN KEMATANGAN BUAH JERUK MANIS APPLICATION OF THE DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK ALGORITHM IN DETERMINING THE MURABILITY OF SWEET ORANGE FRUIT BASED ON IMAGES RED GRE,” vol. 10, no. 1, pp. 59–66, 2023, doi: 10.25126/jtiik.2023105695.
Mohammad Yazdi Pusadan, Indah Safitri, and Wirdayanti, “The Image Extraction Using the HSV Method to Determine the Maturity Level of Palm Oil Fruit with the k-nearest Neighbor Algorithm,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 6, 2023, doi: 10.29207/resti.v7i6.5558.
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`, 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.
M. Kevin Santosa, M. Hanindia Prami Swari, and A. Nugroho Sihananto, “IMPLEMENTASI ARSITEKTUR ALEXNET DAN RESNET34 PADA KLASIFIKASI CITRA PENYAKIT DAUN KENTANG MENGGUNKAN TRANSFER LEARNING,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 5, 2024, doi: 10.36040/jati.v7i5.7337.
Y. Muliani, R. Robana, and I. Mulyati, “Aplikasi Agensia Hayati Trichoderma harzianum Rifai. untuk Menekan Phytophtora infestans (Mont.) Penyebab Penyakit Busuk Daun pada Tanaman Kentang (Solanum tuberosum L.),” AGROSCRIPT J. Appl. Agric. Sci., vol. 5, no. 1, 2023, doi: 10.36423/agroscript.v5i1.1245.
N. Kusmana and A. D. Ambarwati, “Evaluasi Resistensi dan Daya Hasil Enam Klon Harapan Kentang Transgenik Terhadap Serangan Penyakit Hawar Daun (Evaluation of Resistance to Late Blight and Tuber Yield of Six Potential Potato Transgenic Clones),” J. Hortik., vol. 28, no. 1, 2019, doi: 10.21082/jhort.v28n1.2018.p41-50.
