Pemanfaatan Algoritma Convolutional Neural Network Dengan Untuk Mendeteksi Penyakit Pada Tumbuhan Jagung
DOI:
https://doi.org/10.69533/4yvkhd74Keywords:
Convolutional Neural Network, Corn Leaves, Disease Classification, Digital Images, Machine LearningAbstract
Jagung adalah salah satu jenis tanaman serealia yang memiliki peran yang sangat penting dalam penyediaan bahan pangan karena kandungannya yang kaya akan karbohidrat. Namun, jumlah produksi jagung pada tahun 2023 mengalami penurunan dibandingkan pada tahun 2022. Salah satu faktor yang menyebabkan menurunnya produksi jagung adalah serangan hama dan penyakit pada tanaman jagung. Dengan perkembangan teknologi pengolahan citra digital dan pembelajaran mesin, diagnosis penyakit tanaman dapat dilakukan dengan lebih cepat dan akurat. Penelitian ini menggunakan dataset citra daun jagung yang mengandung berbagai jenis penyakit. Citra-citra tersebut diproses dan diolah oleh sebuah model dengan algoritma convolutional neural network (CNN) yang telah melalui proses fine-tuning hyperparameter. Penelitian ini membuktikan bahwa penggunaan metode convolutional neural network dengan fine-tuning hyperparameter memberikan hasil yang memuaskan dalam mengklasifikasikan jenis penyakit pada tanaman jagung. Hasil penelitian menunjukkan bahwa model ini mampu mencapai nilai akurasi sebesar 0.92 dan nilai loss sebesar 0.363. Temuan ini menunjukkan potensi besar penggunaan CNN dalam mendeteksi penyakit pada tanaman jagung, yang dapat membantu petani dalam meningkatkan produksi dan kualitas hasil panen mereka.
References
S. A. Salelua and S. Maryam, “Potensi Dan Prospek Pengembangan Produksi Jagung (Zea Mays L.) Di Kota Samarinda (Potency and Prospect of Corn Production Development (Zea mays L.) in Samarinda City),” Jurnal Agribisnis Dan Komunikasi Pertanian (Journal of Agribusiness and Agricultural Communication), vol. 1, no. 1, p. 47, 2018.
A. Astari and E. Lestari, “KORELASI KERAPATAN STOMATA DAUN TERHADAP TINGKAT KEJADIAN PENYAKIT BULAI (Peronosclerospora philllipinensis) PADA TANAMAN JAGUNG,” Journal Agroecotech Indonesia (JAI), vol. 3, no. 01, pp. 32–44, 2024.
J. W. G. Putra, “Pengenalan konsep pembelajaran mesin dan deep learning,” Tokyo. Jepang, 2019.
R Riswandi, R Jamiah, N Mardhatillah, and H hamid, “Klasifikasi Penyakit Pada Citra Daun Jeruk Menggunakan Arsitektur MobileNet berbasis Mobile Platform,”,” J. Fokus Elektroda Energi List. Telekomun. Komputer, Elektron. dan Kendali), vol. 6, no. 4, p. 212, 2021.
P. T. Ompusunggu, “Klasifikasi Penyakit Tanaman Pada Daun Kentang Dengan Metode Convolutional Neural Network Arsitektur Mobilenet,” Jurnal Syntax Fusion, vol. 2, no. 09, pp. 740–751, 2022.
F. N. Kushanov, O. S. Turaev, O. A. Muhammadiyev, R. F. Umarov, N. M. Rakhimova, and N. N. Mamadaliyeva, “Maize (Zea mays L.) as a Model System for Plant Genetic, Genomic, and Applied Research,” Model Organisms in Plant Genetics, p. 49, 2022.
F. A. Diannastiti, S. N. H. Utami, and J. Widada, “The role of indigenous mycorrhizae of corn plants in various soil types in Gunung Kidul, Indonesia,” PLANTA TROPIKA, vol. 10, no. 1, pp. 69–83, 2022.
L. A. Andika, H. Pratiwi, and S. S. Handajani, “Klasifikasi penyakit pneumonia menggunakan metode convolutional neural network dengan optimasi adaptive momentum,” Indonesian Journal of Statistics and Its Applications, vol. 3, no. 3, pp. 331–340, 2019.
R. D. Ramadhani, A. N. A. Thohari, C. Kartiko, A. Junaidi, T. G. Laksana, and N. A. S. Nugraha, “Optimasi Akurasi Metode Convolutional Neural Network untuk Identifikasi Jenis Sampah,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 312–318, 2021.
D. Astuti, “Penentuan Strategi Promosi Usaha Mikro Kecil Dan Menengah (UMKM) Menggunakan Metode CRISP-DM dengan Algoritma K-Means Clustering,” INISTA (Journal of Informatics Information System Software Engineering and Applications), vol. 1, no. 2, pp. 60–72, 2019.
D. Kurniawan and M. Yasir, “Optimization Sentimen Analysis using CRISP-DM and Naive Bayes Methods Implemented on Social Media,” Cyberspace: Jurnal Pendidikan Teknologi Informasi, vol. 6, no. 2, pp. 74–85, 2022.
S. Navisa, L. Hakim, and A. Nabilah, “Komparasi Algoritma Klasifikasi Genre Musik pada Spotify Menggunakan CRISP-DM,” Jurnal Sistem Cerdas, vol. 4, no. 2, pp. 114–125, 2021.
F. Marra, D. Gragnaniello, L. Verdoliva, and G. Poggi, “A full-image full-resolution end-to-end-trainable CNN framework for image forgery detection,” IEEE Access, vol. 8, pp. 133488–133502, 2020.
W. Hastomo, “Convolution Neural Network Arsitektur Mobilenet-V2 Untuk Mendeteksi Tumor Otak,” in Prosiding Seminar SeNTIK, 2021, pp. 17–21.
S. Elfwing, E. Uchibe, and K. Doya, “Sigmoid-weighted linear units for neural network function approximation in reinforcement learning,” Neural networks, vol. 107, pp. 3–11, 2018.
