Klasifikasi Penyakit Daun Pisang menggunakan Convolutional Neural Network (CNN)

M Duta Pratama; Rendra Gustriansyah; Evi Purnamasari

doi:10.54914/jtt.v10i1.1167

Penulis

M Duta Pratama Universitas Indo Global Mandiri
Rendra Gustriansyah Universitas Indo Global Mandiri
Evi Purnamasari Universitas Indo Global Mandiri

DOI:

https://doi.org/10.54914/jtt.v10i1.1167

Kata Kunci:

CNN, dropout, klasifikasi, penyakit daun pisang, transfer learning

Abstrak

Pisang merupakan buah yang memiliki nilai ekonomi yang menjanjikan di Indonesia. Pisang merupakan komoditas yang penting bagi para petani dan penyakit yang menyerang pisang bisa merugikan petani. Penyakit pada pisang awalnya akan menyerang daun pisang, tahap awal pada penyakit susah untuk dibedakan menggunakan mata telanjang karena kurangnya pengetahuan petani akan pathogen. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan bantuan transfer learning menggunakan Google Colab dengan tujuan untuk memudahkan klasifikasi penyakit daun pisang. Model yang sudah dilatih mengalami overfitting sehingga dilakukan regularisasi menggunakan dropout. Hasil model terbaik didapatkan dengan rasio 70:20:10 pada epoch 80 dengan akurasi 92%, presisi 92%, sensitivitas 91%, dan f1-score 91% yang diuji dan divalidasi menggunakan confusion matrix. Penelitian ini menghasilkan model yang mampu mengklasifikasi penyakit daun pisang dengan baik.

Unduhan

Data unduhan belum tersedia.

Referensi

I. Ryan and S. Pigai, “Morfologi Tanaman Pisang Jiigikago Berdasarkan Kearifan Lokal Suku Mee Di Kampung Idaiyo Distrik Obano Kabupaten Paniai,” 2020.

F. Riana and D. Primasari, “Diagnosis Penyakit Utama Pisang karena Jamur Patogen dengan Dempster-Shafer,” Krea-TIF, vol. 7, no. 2, p. 72, Nov. 2020, doi: 10.32832/kreatif.v7i2.2649.

A. Upadhyay, S. Singh, and S. Kanojiya, “Segregation of Ripe and Raw Bananas Using Convolutional Neural Network,” in Procedia Computer Science, Elsevier B.V., 2022, pp. 461–468. doi: 10.1016/j.procs.2023.01.028.

M. A. B. Bhuiyan, H. M. Abdullah, S. E. Arman, S. Saminur Rahman, and K. Al Mahmud, “BananaSqueezeNet: A very fast, lightweight convolutional neural network for the diagnosis of three prominent banana leaf diseases,” Smart Agricultural Technology, vol. 4, pp. 1–13, Aug. 2023, doi: 10.1016/j.atech.2023.100214.

R. Soekarta, N. Nurdjan, and A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” INSECT, vol. 8, no. 2, pp. 143–151, 2023.

A. Rohim and Y. Arum Sari, “Convolution Neural Network (CNN) Untuk Pengklasifikasian Citra Makanan Tradisional,” 2019. [Online]. Available: http://j-ptiik.ub.ac.id

Y. Arvio, I. Sangadji, and K. Dewantara, “Penerapan Metode Convolution Neural Network (CNN) Dalam Proses Pengolahan Citra Untuk Mendeteksi Cacat Produksi Pada Produk Masker,” vol. 16, no. 4, pp. 340–350, 2023, doi: 10.30998/faktorexacta.v16i4.20073.

R. Gustriansyah, N. Suhandi, S. Puspasari, and A. Sanmorino, “Machine Learning Method to Predict the Toddlers’ Nutritional Status,” vol. 16, no. 1, pp. 1–12, 2024, doi: 10.20895/INFOTEL.V15I4.988.

R. Gustriansyah, N. Suhandi, S. Puspasari, A. Sanmorino, and D. Sartika, “Toddlers’ Nutritional Status Prediction Using the Multinomial Logistics Regression Method,” Journal of Computer Networks, Architecture and High Performance Computing, vol. 6, no. 1, pp. 25–33, Dec. 2023, doi: 10.47709/cnahpc.v6i1.3372.

D. Sartika and R. Gustriansyah, “Comparison of naive Bayes and decision tree algorithms to assess the performance of Palembang City fire and Disaster management employees,” TEKNOSAINS : Jurnal Sains, Teknologi dan Informatika, vol. 11, no. 1, pp. 132–138, Jan. 2024, doi: 10.37373/tekno.v11i1.843.

R. Gustriansyah, J. Alie, A. Sanmorino, R. Heriansyah, and M. M. Noor, “Machine Learning for Regencies-Cities Clustering Based on Inflation and Poverty Rates in Indonesia,” 2022.

H. Azis, P. Purnawansyah, F. Fattah, and I. P. Putri, “Performa Klasifikasi K-NN dan Cross Validation Pada Data Pasien Pengidap Penyakit Jantung,” ILKOM Jurnal Ilmiah, vol. 12, no. 2, pp. 81–86, Aug. 2020, doi: 10.33096/ilkom.v12i2.507.81-86.

L. Alzubaidi et al., “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” J Big Data, vol. 8, no. 54, pp. 1–74, Dec. 2021, doi: 10.1186/s40537-021-00444-8.

M. Zaid Romegar, C. Widya, Y. Evi, M. Dona, Theresiawati, and I. Ika Nurlaili, “Convolutional Neural Network Analysis on Handwriting Patterns and Its Relationship to Personality: A Systematical Review”. IEEE, 2023.

W. Setiawan, “Perbandingan Arsitektur Convolutional Neural Network Untuk Klasifikasi Fundus,” Jurnal Ilmiah SimanteC, vol. 7, no. 2, pp. 49–54, 2019.

Ò. Lorente, I. Riera, and A. Rana, “Image Classification with Classic and Deep Learning Techniques,” May 2021, [Online]. Available: http://arxiv.org/abs/2105.04895

Z. R. Mair and M. H. Irfani, “Permainan INGBAS (Gunting, Batu, Kertas) Menggunakan Arsitektur Convolutional Neural Network,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 10, no. 1, pp. 1019–1026, 2023.

A. Anshu, “Review Paper on Data Mining Techniquesand Applications,” International Journal of Innovative Research in Computer Science & Technology, vol. 7, no. 2, pp. 22–26, Mar. 2019, doi: 10.21276/ijircst.2019.7.2.4.

I. Düntsch and G. Gediga, “Confusion matrices and rough set data analysis,” 2019.