Evaluasi Penerapan Convolutional Neural Network (CNN) untuk Klasifikasi Penyakit Daun Jagung Menggunakan Pendekatan Systematic Literature Review
DOI:
https://doi.org/10.30606/rjocs.v11i1.3068Keywords:
Convolutional Neural Network (CNN), Jagung, Klasifikasi Penyakit, Systematic Literature Review, Deep LearningAbstract
Penyakit pada tanaman jagung dapat menyebabkan kerugian besar dalam produksi pangan, yang berdampak pada perekonomian Indonesia. Salah satu metode yang berkembang untuk mendeteksi dan mengklasifikasikan penyakit tanaman adalah penggunaan Convolutional Neural Network (CNN), yang telah terbukti efektif dalam analisis citra. Penelitian ini bertujuan untuk mengevaluasi dan menganalisis penerapan CNN dalam klasifikasi penyakit pada daun jagung, dengan merujuk pada studi literatur yang ada. Melalui pendekatan Systematic Literature Review (SLR), penelitian ini menilai berbagai arsitektur CNN yang diterapkan pada klasifikasi penyakit tanaman, termasuk jagung, cabai, kentang, dan lada. Hasil penelitian menunjukkan bahwa metode CNN, khususnya dengan arsitektur seperti EfficientNet, mampu memberikan akurasi yang tinggi, dengan rata-rata akurasi sebesar 93.76%. Arsitektur CNN yang berbeda menunjukkan performa yang bervariasi tergantung pada dataset dan teknik preprocessing yang digunakan. Penelitian ini memberikan wawasan tentang bagaimana model CNN dapat dioptimalkan untuk mendeteksi penyakit tanaman dengan akurasi yang lebih baik, serta mengidentifikasi tantangan dan potensi dalam penerapannya pada berbagai jenis tanaman
Downloads
References
M. Wafa Akhyari, A. Suyoto, and F. Wahyu Wibowo, “Klasifikasi Penyakit Pada Daun Jagung Menggunakan Convolutional Neural Network,” J. Inf. J. Penelit. dan Pengabdi. Masyarakat., vol. 7, no. 2, pp. 12–15, 2021.
D. Iswantoro and D. Handayani UN, “Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN),” J. Ilm. Univ. Batanghari Jambi, vol. 22, no. 2, p. 900, 2022, doi: 10.33087/jiubj.v22i2.2065.
R. Mawarni, R. Wulaningrum, and R. Helilintar, “Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) 1256 Implementasi Metode CNN Pada Klasifikasi Penyakit Jagung,” Agustus, vol. 7, pp. 2549–7952, 2023.
F. Sulistiyana and S. Anardani, “Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Convolutional Neural Network dan Support Vector Machine,” Semin. Nas. Teknol. Inf. dan Komun., vol. 6, no. 1, pp. 423–432, 2023.
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, 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.
R. A. Setyadi, S. Rahman, D. Manurung, M. Hasanah, and A. Indrawati, “Implementasi Transfer Learning Untuk Klasifikasi Penyakit Pada Daun Cabai Menggunakan Cnn,” Djtechno J. Teknol. Inf., vol. 5, no. 2, pp. 304–315, 2024, doi: 10.46576/djtechno.v5i2.4642.
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.
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.
F. Fitroh and F. Hudaya, “Systematic Literature Review: Analisis Sentimen Berbasis Deep Learning,” J. Nas. Teknol. dan Sist. Inf., vol. 9, no. 2, pp. 132–140, 2023, doi: 10.25077/teknosi.v9i2.2023.132-140.
Q. N. Azizah, “Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network AlexNet,” sudo J. Tek. Inform., vol. 2, no. 1, pp. 28–33, 2023, doi: 10.56211/sudo.v2i1.227.
J. V. P. Putra, F. Ayu, and B. Julianto, “Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN,” Stain. (Seminar Nas. Teknol. Sains), vol. 2, no. 1, pp. 155–162, 2023.
A. B. Prakosa, Hendry, and R. Tanone, “Implementasi Model Deep Learning Convolutional Neural Network (CNN) Pada Citra Penyakit Daun Jagung Untuk Klasifikasi Penyakit Tanaman,” J. Pendidik. Teknol. Inf., vol. 6, no. 1, pp. 107–116, 2023.
U. Khaira, I. Weni, and W. Wilia, “Rancang Bangun Aplikasi Deteksi Penyakit Tanaman Jagung Melalui Citra Daun Berbasis Android Menggunakan Algoritma Convolutional Neural Network,” J. Pepadun, vol. 5, no. 1, pp. 1–11, 2024, doi: 10.23960/pepadun.v5i1.210.
Mochammad Faisal Nur Sayyid, “Klasifikasi Penyakit Daun Jagung Menggunakan Metode CNN Dengan Image Processing HE Dan CLAHE,” J. Tek. Inform. dan Teknol. Inf., vol. 4, no. 1, pp. 86–95, 2024, doi: 10.55606/jutiti.v4i1.3425.
A. Yoggyanto, A. Maulana, and D. A. Tri Cahyo, “Penerapan Metode Convolutional Neural Network (CNN) Dalam Klasifikasi Penyakit Tanaman Jagung,” Pros. Semin. Nas. Teknol. Dan Sains, vol. 3, no. 2022, pp. 251–256, 2024.
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.
R. Kusumastuti, T. Dwi Putra, and Z. Zulfahmi Yudam, “Klasifikasi Citra Penyakit Daun Jagung Menggunakan Algoritma Cnn Effcientnet,” Multitek Indones., vol. 17, no. 2, pp. 143–153, 2024, doi: 10.24269/mtkind.v17i2.10085.
K. JASMINE, “済無No Title No Title No Title,” Penambahan Natrium Benzoat Dan Kalium Sorbat Dan Kecepatan Pengadukan Sebagai Upaya Penghambatan Reaksi Inversi Pada Nira Tebu, vol. 15, no. 2, pp. 3361–3371, 2014.
A. F. Cobantoro, F. Masykur, and K. Sussolaikah, “Erformance Analysis of Alexnet Convolutional Neural Network (Cnn) Architecture With Image Objects of Rice Plant Leaves,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 8, no. 2, pp. 111–116, 2023, doi: 10.33480/jitk.v8i2.4060.
