KLASIFIKASI JENIS PENYAKIT PADA DAUN TUMBUHAN STROBERI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR INCEPTIONV3
DOI:
https://doi.org/10.23960/jitet.v12i3S1.5274Abstract Views: 583 File Views: 523
Abstract
Stroberi adalah salah satu komoditas tanaman dengan nilai ekonomi yang cukup tinggi di Indonesia. Namun, terdapat upaya yang dapat mengurangi kualitas dan kuantitas hasil panen stroberi, yaitu penyakit-penyakit daun stroberi, termasuk leaf scorch. Oleh karena itu, deteksi dini dan klasifikasi penyakit mengenai daun stroberi ini sangat penting untuk melakukan tindakan yang diperlukan agar kerugian dapat diminimalkan. Tujuan dari penelitian ini adalah untuk mengembangkan model klasifikasi penyakit pada daun stroberi dengan metode Convolutional Neural Network menggunakan arsitektur InceptionV3. Proses penelitian yang dibutuhkan dalam pengembangan model melibatkan pengumpulan dataset gambar daun stroberi yang terdiri dari kategori sehat dan penyakit leaf scorch. Model CNN dilatih dan diuji dengan menggunakan dataset gambar daun tersebut untuk mengidentifikasi dan mengklasifikasikan jenis penyakit dengan tingkat akurasi yang tinggi. Hasil dari penelitian ini menunjukkan bahwa model CNN dengan arsitektur InceptionV3 berhasil mencapai akurasi klasifikasi sebesar 99%, menandakan keandalan model dalam mendeteksi penyakit pada daun stroberi. Selain itu, Implementasi model ini dalam aplikasi berbasis Android diharapkan dapat memberikan alat bantu yang praktis dan efisien bagi petani dalam memantau dan mengendalikan penyakit tanaman secara real-time, sehingga dapat meningkatkan kualitas dan kuantitas hasil panen stroberi. Dengan demikian, penelitian ini tidak hanya berkontribusi pada pengembangan teknologi deteksi penyakit tanaman tetapi juga pada peningkatan produktivitas pertanian.Downloads
References
M. R. Setiawati, N. Rachelita, B. N. Fitriatin, and A. Nurbaity, “Pengaruh Pemberian Asam Humat , Asam Fulvat , dan Pupuk Hayati pada Media Tanam terhadap Beberapa Sifat Kimia Tanah , Hasil , dan Kualitas Buah Stroberi ( Fragaria ananassa ),” vol. 34, no. 2, pp. 255–263, 2023.
R. Y. Putri, K. Siregar, and D. Devianti, “Pertumbuhan Tanaman Stroberi (Fragaria sp.) Secara Hidroponik di Dataran Rendah pada Berbagai Nilai EC (Electrical Conductivity),” J. Ilm. Mhs. Pertan., vol. 5, no. 1, pp. 481–490, 2020, doi: 10.17969/jimfp.v5i1.13728.
A. V. Efrilla, S. B. Sulistyo, K. Wijaya, P. H. Kuncoro, and A. Sudarmaji, “Klasifikasi Penyakit Pada Daun Stroberi Menggunakan K-Means Clustering dan Jaringan Syaraf Tiruan,” J. Keteknikan Pertan. Trop. dan Biosist., vol. 8, no. 2, pp. 161–170, 2020, doi: 10.21776/ub.jkptb.2020.008.02.06.
BPS, “Produksi Tanaman Buah-buahan, 2021-2023,” Badan Pusat Statistik Indonesia, 2023. https://www.bps.go.id/id/statistics-table/2/NjIjMg==/produksi-tanaman-buah-buahan.html
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.
U. Ungkawa and G. Al Hakim, “Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 11, no. 3, p. 731, 2023, doi: 10.26760/elkomika.v11i3.731.
M. A. Amrullah and M. I. Irawan, “Implementasi Jaringan Saraf Konvolusional dengan Inception-V3 untuk Deteksi Katarak Menggunakan Gambar Digital Funduskopi,” J. Sains dan Seni ITS, vol. 12, no. 1, 2023, doi: 10.12962/j23373520.v12i1.106807.
M. Baihaqy, A. T. Wibowo, and D. Q. Utama, “Klasifikasi Tanaman Anggrek jenis Phalaenopsis berdasarkan Citra Labellum Bunga Menggunakan Metode Convolutinal Neural Network (CNN ),” Telkom Univ., vol. 9, no. 3, pp. 1942–1951, 2022.
G. Y. Christiawan, R. A. Putra, A. Sulaiman, E. Poerbaningtyas, and S. W. Putri Listio, “Penerapan Metode Convolutional Neural Network (CNN) Dalam Mengklasifikasikan Penyakit Daun Tanaman Padi,” J-Intech, vol. 11, no. 2, pp. 294–306, 2023, doi: 10.32664/j-intech.v11i2.1006.
Y. A. Suwitono and F. J. Kaunang, “Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras,” J. Komtika (Komputasi dan Inform., vol. 6, no. 2, pp. 109–121, 2022, doi: 10.31603/komtika.v6i2.8054.
E. Andreas and W. Widhiarso, “Klasifikasi Penyakit Mata Katarak Menggunakan Convolutional Neural Network Dengan Arsitektur Inception V3,” MDP Student Conf., vol. 2, no. 1, pp. 107–113, 2023, doi: 10.35957/mdp-sc.v2i1.3660.
S. Alden and B. N. Sari, “Implementasi Algoritma CNN Untuk Pemilahan Jenis Sampah Berbasis Android Dengan Metode CRISP-DM,” J. Inform., vol. 10, no. 1, pp. 62–71, 2023, doi: 10.31294/inf.v10i1.14985.
C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.
Y. Yudiana, A. Yulia Agustina, and dan Nur Khofifah, “Prediksi Customer Churn Menggunakan Metode CRISP-DM Pada Industri Telekomunikasi Sebagai Implementasi Mempertahankan Pelanggan,” IJIEB Indones. J. Islam. Econ. Bus., vol. 8, no. 1, pp. 1–20, 2023, [Online]. Available: http://e-journal.lp2m.uinjambi.ac.id/ojp/index.php/ijoieb
