Identifikasi Penyakit Daun pada Tanaman Solanaceae dan Rosaceae Menggunakan Deep Learning

Allan Bil Faqih; Donny Avianto

doi:10.54914/jtt.v10i2.1440

Penulis

Allan Bil Faqih Universitas Teknologi Yogyakarta
Donny Avianto Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.54914/jtt.v10i2.1440

Kata Kunci:

Computer Vision, Convolutional Neural Networks, Deep Learning, Deteksi Penyakit Tanaman, Transfer Learning

Abstrak

Dengan proyeksi populasi global sebesar 9,7 miliar pada tahun 2050, pertanian menghadapi tantangan signifikan dalam memastikan ketahanan pangan. Salah satu kendala utama adalah penyakit tanaman yang menurunkan hasil panen hingga 40% per tahun. Penelitian sebelumnya sering terbatas pada deteksi penyakit pada satu spesies tanaman, sehingga kurang mencerminkan kebutuhan multi-spesies dalam praktik pertanian nyata. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi penyakit tanaman berbasis deep learning menggunakan Convolutional Neural Networks (CNN) yang diterapkan pada dua famili tanaman, Solanaceae dan Rosaceae. Dataset yang digunakan adalah PlantVillage, berisi 54.306 citra daun dalam format JPEG yang diunduh dari GitHub, dengan data di luar dua famili tersebut dibuang selama pra-pemrosesan. Tiga model deep learning diuji: transfer learning dengan arsitektur InceptionV3 dan dua CNN kustom (DFE dan LCNN). Model LCNN menunjukkan kinerja terbaik dengan akurasi pelatihan, validasi, dan pengujian masing-masing sebesar 99%, 99%, dan 95%. Sebaliknya, InceptionV3 mencapai akurasi pelatihan 96%, validasi 98%, dan pengujian 92%, sedangkan DFE dengan 86% pelatihan, 94% validasi, dan 82% akurasi pengujian. Analisis confusion matrix menunjukkan kesulitan membedakan antara kentang sehat dan kentang dengan late blight, serta cedar apple rust. Hasil ini menyoroti pentingnya pengembangan arsitektur model spesifik dibandingkan model yang kompleks untuk deteksi penyakit multi-crop secara akurat.

Unduhan

Data unduhan belum tersedia.

Referensi

A. Dias Rizkia Artha Putri, L. Sukma Winata, A. Tanggono, and F. Disa Durry, “Mitigasi Krisis Pangan Global Warming: SDGs Pencegahan Malnutrisi (Literature Review),” Prosiding Seminar Nasional Kusuma, vol. 2, pp. 179–187, Oct. 2024.

D. Sofia Laeliyah, N. Noreen Noor, A. Sabillah, U. Kamal, and M. Adymas Hikal Fikri, “Kebijakan Hukum Pengelolaan Food Loss And Waste Melalui USDA (United States Departement Of Agriculture And Public Domain Policy),” Kultura: Jurnal Ilmu Hukum, Sosial, Dan Humaniora, vol. 2, no. 6, pp. 25–41, May 2024.

A. H. Afzal et al., “Mechanisms of Disease Resistance in Plants For Sustainable Agriculture,” Current Research in Agriculture and Farming, vol. 4, pp. 1–13, Oct. 2023, doi: 10.18782/2582-7146.207.

M. Junaid and A. Gokce, “Global Agricultural Losses And Their Causes,” Bulletin of Biological and Allied Sciences Research, vol. 2024, no. 1, p. 66, Feb. 2024, doi: 10.54112/bbasr.v2024i1.66.

M. Türkoğlu and D. Hanbay, “Plant disease and pest detection using deep learning-based features,” Turkish Journal of Electrical Engineering & Computer Sciences, vol. 27, no. 3, pp. 1636–1651, May 2019, doi: 10.3906/elk-1809-181.

S. P. Mohanty, D. P. Hughes, and M. Salathé, “Using Deep Learning for Image-Based Plant Disease Detection,” Front Plant Sci, vol. 7, p. 1419, Sep. 2016, doi: 10.3389/fpls.2016.01419.

I. Rizki Ramadhani, A. Nilogiri, and A. Qurrota, “Klasifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Metode Convolutional Neural Network,” Jurnal Smart Teknologi, vol. 3, no. 3, pp. 249–260, Mar. 2022.

G. Henry, A. Panjaitan, and F. Simatupang, “Pemodelan Klasifikasi Penyakit Daun Tanaman Tomat dengan Convolutional Neural Network Algorithm,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 5, Apr. 2024, doi: 10.30865/klik.v4i5.1646.

J. Vicky, F. Ayu, and B. Julianto, “Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN,” Seminar Nasional Teknologi & Sains, vol. 2, no. 1, pp. 155–162, 2023.

F. Sulistiyana and S. Anardani, “Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Convolutional Neural Network dan Support Vector Machine,” Seminar Nasional Teknologi Informasi dan Komunikasi, vol. 6, no. 1, pp. 423–432, 2023.

D. Setiawan, T. Wira, and E. Suryawijaya, “Algoritma RESNET152V2 Dalam Melakukan Klasifikasi Penyakit Pada Daun Tanaman Tomat,” Journal of Computer Science and Technology (JCS-TECH), vol. 3, no. 2, pp. 37–42, Nov. 2023.

M. D. Pratama, R. Gustriansyah, and E. Purnamasari, “Klasifikasi Penyakit Daun Pisang menggunakan Convolutional Neural Network (CNN),” Jurnal Teknologi Terpadu, vol. 10, no. 1, pp. 1–6, Jul. 2024, doi: 10.54914/jtt.v10i1.1167.

M. Rijal, A. M. Yani, and A. Rahman, “Deteksi Citra Daun untuk Klasifikasi Penyakit Padi menggunakan Pendekatan Deep Learning dengan Model CNN,” Jurnal Teknologi Terpadu, vol. 10, no. 1, pp. 56–62, Jul. 2024, doi: 10.54914/jtt.v10i1.1224.

A. Hosna, E. Merry, J. Gyalmo, Z. Alom, Z. Aung, and M. A. Azim, “Transfer learning: a friendly introduction,” J Big Data, vol. 9, no. 1, p. 102, Oct. 2022, doi: 10.1186/s40537-022-00652-w.

Xiaoling Xia, Cui Xu, and Bing Nan, “Inception-v3 for flower classification,” in 2017 2nd International Conference on Image, Vision and Computing (ICIVC), IEEE, Jun. 2017, pp. 783–787. doi: 10.1109/ICIVC.2017.7984661.

K. Zairan Maulana and A. Susanto, “Implementasi Arsitektur CNN Inception V3 untuk Identifikasi Spesies Burung Endemik di Indonesia,” Jurnal Pustaka Robot Sister (Jurnal Pusat Akses Kajian Robotika, Sistem Tertanam, dan Sistem Terdistribusi), vol. 2, no. 1, pp. 22–27, Jan. 2024, doi: 10.55382/jurnalpustakarobotsister.v2i1.775.

S. Kornblith, J. Shlens, and Q. V. Le, “Do Better ImageNet Models Transfer Better?,” in 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, Jun. 2019, pp. 2656–2666. doi: 10.1109/CVPR.2019.00277.

M. M. Taye, “Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions,” Computation, vol. 11, no. 3, p. 52, Mar. 2023, doi: 10.3390/computation11030052.

M. Mujahid, F. Rustam, R. Álvarez, J. Luis Vidal Mazón, I. de la T. Díez, and I. Ashraf, “Pneumonia Classification from X-ray Images with Inception-V3 and Convolutional Neural Network,” Diagnostics, vol. 12, no. 5, p. 1280, May 2022, doi: 10.3390/diagnostics12051280.

K. R. Prilianti, T. H. P. Brotosudarmo, S. Anam, and A. Suryanto, “Performance comparison of the convolutional neural network optimizer for photosynthetic pigments prediction on plant digital image,” in AIP Conference Proceedings, American Institute of Physics Inc., Mar. 2019, p. 020020. doi: 10.1063/1.5094284.

I. O. Muraina, “Ideal Dataset Splitting Ratios In Machine Learning Algorithms: General Concerns For Data Scientists And Data Analysts,” in 7th International Mardin Artuklu Scientific Researches Conference, Mardin: Mardin Artuklu Kongresi, Feb. 2022, pp. 496–504.

S. Ramaneswaran, K. Srinivasan, P. M. D. R. Vincent, and C.-Y. Chang, “Hybrid Inception v3 XGBoost Model for Acute Lymphoblastic Leukemia Classification,” Computational and Mathematical Methods in Medicine, vol. 2021, pp. 1–10, Jul. 2021, doi: 10.1155/2021/2577375.

M. L. Richter, W. Byttner, U. Krumnack, A. Wiedenroth, L. Schallner, and J. Shenk, “(Input) Size Matters for CNN Classifiers,” 2021, pp. 133–144. doi: 10.1007/978-3-030-86340-1_11.