Deteksi Citra Daun untuk Klasifikasi Penyakit Padi menggunakan Pendekatan Deep Learning dengan Model CNN

Muhammad Rijal; Andi Muhammad Yani; Abdul Rahman

doi:10.54914/jtt.v10i1.1224

Penulis

Muhammad Rijal Akademi Maritim Indonesia AIPI
Andi Muhammad Yani Akademi Maritim Indonesia AIPI
Abdul Rahman Akademi Maritim Indonesia AIPI

DOI:

https://doi.org/10.54914/jtt.v10i1.1224

Kata Kunci:

CNN, Deep Learning, Klasifikasi, Padi, Penyakit

Abstrak

Pertanian merupakan sektor yang sangat penting yang berhubungan dengan ketahanan pangan, Padi merupakan salah satu produksi yang saat ini menempati urutan yang ketiga dari gandum dan jagung, tapi di tahun 2023 produksi padi di Indonesia mengalami penurunan dari tahun 2022 sebanyak 1,12 juta ton GKG dan penyakit pada tanaman merupakan salah satu penyebab berkurangnya kuantitas hasil pertanian. Penelitian ini bertujuan untuk mendeteksi penyakit pada tanaman padi berdasarkan citra daun dengan 3 kelas klasifikasi dan matrix pengujian untuk mengukur model yang dibangun. Pada penelitian ini menggunakan metode Convolutional Neural Network (CNN) untuk klasifikasi pada tanaman padi berdasarkan citra daun dengan 3 skenario pengujian menggunakan tools teks editor Jupyter Notebook untuk pengkodean sistem. Hasil Penelitian dengan training menunjukkan model CNN dapat melakukan klasifikasi penyakit pada padi berdasarkan citra daun, dari 3 skenario pengujian yang dilakukan skenario 2 menunjukkan hasil terbaik dengan Epoch 50 dengan nilai training dari Epoch terakhir yaitu training accuracy 0.9905 dan training loss 0.0280 sedangkan validasi akurasi 0.8000 dan validasi lossnya 0.9222 dengan confusion matrix menunjukkan kesesuaian prediksi berdasarkan kelas dengan classification report nilai recall, precision dan f1-score yang bagus yaitu 1.00.

Unduhan

Data unduhan belum tersedia.

Referensi

F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, pp. 104–108, 2020, doi: 10.26740/jinacs.v1n02.p104-108.

G. Zhou, W. Zhang, A. Chen, M. He, and X. Ma, “Rapid Detection of Rice Disease Based on FCM-KM and Faster R-CNN Fusion,” IEEE Access, vol. 7, pp. 143190–143206, 2019, doi: 10.1109/ACCESS.2019.2943454.

Badan Pusat Statistik, “Luas Panen dan Produksi Padi di Indonesia 2023 (Angka Sementara),” Badan Pus. Stat., vol. 2023, no. 68, pp. 1–8, 2023, [Online]. Available: https://www.bps.go.id/pressrelease/2023/10/16/2037/luas-panen-dan-produksi-padi-di-indonesia-2023--angka-sementara-.html#:~:text=Produksi beras pada 2023 untuk,sebesar 31%2C54 juta ton.

H. B. Prajapati, J. P. Shah, and V. K. Dabhi, “Detection and classification of rice plant diseases,” Intell. Decis. Technol., vol. 11, no. 3, pp. 357–373, 2017, doi: 10.3233/IDT-170301.

A. Jinan, B. H. Hayadi, and U. P. Utama, “Journal of Computer and Engineering Science Volume 1, Nomor 2, April 2022 Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron),” vol. 1, no. April, pp. 37–44, 2022.

Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.

K. Marlin, E. Tantrisna, B. Mardikawati, R. Anggraini, and E. Susilawati, “Manfaat dan Tantangan Penggunaan Artificial Intelligences (AI) Chat GPT Terhadap Proses Pendidikan Etika dan Kompetensi Mahasiswa Di Perguruan Tinggi,” Innov. J. Soc. Sci. Res., vol. 3, no. 6, pp. 5192–5201, 2023, [Online]. Available: https://j-innovative.org/index.php/Innovative/article/view/7119.

M. Z. Alom et al., “A state-of-the-art survey on deep learning theory and architectures,” Electron., vol. 8, no. 3, 2019, doi: 10.3390/electronics8030292.

W. jie Liang, H. Zhang, G. feng Zhang, and H. xin Cao, “Rice Blast Disease Recognition Using a Deep Convolutional Neural Network,” Sci. Rep., vol. 9, no. 1, pp. 1–10, 2019, doi: 10.1038/s41598-019-38966-0.

P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, pp. 12–21, 2020.

I. Hermawan, D. Arnaldy, M. Agustin, M. F. Widyono, D. Nathanael, and M. T. Mulyani, “Sistem Pengenalan Benih Padi menggunakan Metode Light Convolutional Neural Network pada Raspberry PI 4 B,” J. Teknol. Terpadu, vol. 7, no. 2, pp. 120–126, 2021, doi: 10.54914/jtt.v7i2.443.

D. Alamsyah and D. Pratama, “Implementasi Convolutional Neural Networks (CNN) untuk Klasifikasi Ekspresi Citra Wajah pada FER-2013 Dataset,” J. Teknol. Inf., vol. 4, no. 2, pp. 350–355, 2020, doi: 10.36294/jurti.v4i2.1714.

G. Wicaksono, S. Andryana, and B. -, “Aplikasi Pendeteksi Penyakit Pada Daun Tanaman Apel Dengan Metode Convolutional Neural Network,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 5, no. 1, p. 9, 2020, doi: 10.31328/jointecs.v5i1.1221.

A. Pratiwi and A. Fauzi, “Implementation of Deep Learning on Flower Classification Using Implementasi Deep Learning Pada Pengklasifikasian Bunga,” vol. 5, no. 2, pp. 487–495, 2024.

T. Arifin and A. Herliana, “Optimizing decision tree using particle swarm optimization to identify eye diseases based on texture analysis,” J. Teknol. dan Sist. Komput., vol. 8, no. 1, pp. 59–63, 2020, doi: 10.14710/jtsiskom.8.1.2020.59-63.

V. H. Phung and E. J. Rhee, “A High-accuracy model average ensemble of convolutional neural networks for classification of cloud image patches on small datasets,” Appl. Sci., vol. 9, no. 21, 2019, doi: 10.3390/app9214500.