Sistem Klasifikasi Berbasis Android untuk Penyakit Buah Kakao Menggunakan CNN NasNet-Mobile

Gregorius Albertus Setu Gado; Putri Noraisya Primandari

doi:10.54914/jtt.v11i1.1821

Penulis

Gregorius Albertus Setu Gado Universitas 17 Agustus 1945 Surabaya
Putri Noraisya Primandari Universitas 17 Agustus 1945 Surabaya

DOI:

https://doi.org/10.54914/jtt.v11i1.1821

Kata Kunci:

CNN, Klasifikasi, NASNet-Mobile, Penyakit Tanaman, Transfer Learning

Abstrak

Kakao merupakan komoditas penting di Indonesia yang rentan terhadap penyakit yang diakibatkan patogen. Penyakit ini menurunkan kualitas buah dan sulit dikenali pada tahap awal. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning dan arsitektur NASNet-Mobile untuk memudahkan klasifikasi penyakit buah kakao. Data terdiri dari 2000 citra buah kakao berpenyakit dan tidak berpenyakit yang terbagi dalam empat kelas yaitu Busuk Buah Kakao (Black Pod), Kepik Penghisap Buah (Helopeltis sp), dan Penggerek Buah (Pod Borer) dan Normal. Pelatihan dilakukan selama 25 epoch menggunakan Google Colab. Model terbaik menghasilkan akurasi pelatihan 99,11%, validasi 96,14%, dan pengujian 94,88%. Model diimplementasikan ke dalam perangkat android dan diuji di lapangan dengan akurasi 93,33%, recall 98,5%, presisi 57,1%, dan f1-score 71,6%. Sistem ini efektif membantu deteksi dini penyakit buah kakao secara praktis, efisien tanpa mengurangi nilai akurasi.

Unduhan

Data unduhan belum tersedia.

Referensi

A. Gozali and H. Sultan, “ANALISIS PEMASARAN KAKAO DI DESA KAYUBOKO KECAMATAN PARIGI BARAT KABUPATEN PARIGI MOUTONG Marketing Analysis Of Cocoa Kayuboko Village Parigi Barat Sub district Parigi Moutong Regency,” J. Agrotekbis, vol. 11, no. 4, pp. 856–865, 2023.

Anderson Matitaputty, Handry R.D. Amanupunyo, and Wilhelmina Rumahlewang, “KERUSAKAN TANAMAN KAKAO (Theobroma cacao L.) AKIBAT PENYAKIT PENTING DI KECAMATAN TANIWEL KABUPATEN SERAM BAGIAN BARAT,” 2014, 2AD.

M. M. I. Al-Ghiffary, C. A. Sari, E. H. Rachmawanto, N. M. Yacoob, N. R. D. Cahyo, and R. R. Ali, “Milkfish Freshness Classification Using Convolutional Neural Networks Based on Resnet50 Architecture,” Advance Sustainable Science Engineering and Technology, vol. 5, no. 3, p. 0230304, Oct. 2023, doi: 10.26877/asset.v5i3.17017.

W. Bismi and M. Qomaruddin, “Jurnal Informatika dan Rekayasa Perangkat Lunak Klasifikasi Citra Genus Panthera Menggunakan Pendekatan Deep learning Berbasis Convolutional Neural Network (CNN),” vol. 5, no. 2, pp. 172–179, 2023.

U. Sri Rahmadhani and N. Lysbetti Marpaung, “Klasifikasi Jamur Berdasarkan Genus Dengan Menggunakan Metode CNN,” vol. 8, no. 2, 2023.

Muhammad Rijal, Yani Andi Muhammad, and Rahman Abdul, “DETEKSI CITRA DAUN UNTUK KLASIFIKASI PENYAKIT PADI MENGGUNAKAN PENDEKATAN DEEP LEARNING DENGAN MODEL CNN,” Jurnal Teknologi Terpadu, vol. 10, pp. 56–62, 2024.

L. Trihardianingsih, A. Sunyoto, and T. Hidayat, “Classification of Tea Leaf Diseases Based on ResNet-50 and Inception V3,” Sinkron, vol. 8, no. 3, pp. 1564–1573, Jul. 2023, doi: 10.33395/sinkron.v8i3.12604.

I. K. Trisiawan and Y. Yuliza, “Penerapan Multi-Label Image Classification Menggunakan Metode Convolutional Neural Network (CNN) Untuk Sortir Botol Minuman,” Jurnal Teknologi Elektro, vol. 13, no. 1, p. 48, Feb. 2022, doi: 10.22441/jte.2022.v13i1.009.

Pratama M. Duta, Gustriansyah Rendra, and Purnamasari Evi, “KLASIFIKASI PENYAKIT DAUN PISANG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN),” Jurnal Teknologi Terpadu, vol. 10, pp. 1–6, 2024.

N. M. K. K. Handayani, E. Y. Hidayat, M. Naufal, and P. L. W. E. Putra, “Pengenalan Ekspresi Wajah Menggunakan Transfer Learning MobileNetV2 dan EfficientNet-B0 dalam Memprediksi Perkelahian,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 8, no. 1, p. 106, Jan. 2024, doi: 10.30865/mib.v8i1.7048.

S. Kumi, D. Kelly, J. Woodstuff, R. K. Lomotey, R. Orji, and R. Deters, “Cocoa Companion: Deep Learning-Based Smartphone Application for Cocoa Disease Detection,” in Procedia Computer Science, Elsevier B.V., 2022, pp. 87–94. doi: 10.1016/j.procs.2022.07.013.

A. Khebli, Y. Kateb, H. Meglouli, S. Aguib, M. Salah, and K. Touhami, “Classifying Surface Fault in Steel Strips Using a Customized NasNet-Mobile CNN and Small Dataset,” 2024. [Online]. Available: https://www.researchgate.net/publication/378876350

A. Ghodekar and A. Kumar, “LightLeafNet: Lightweight and Efficient NASNetMobile Architecture for Tomato Leaf Disease Classification,” 2023. [Online]. Available: https://ssrn.com/abstract=4570347

D. D. Nur Cahyo, M. Anwar Fauzi, J. Tri Nugroho, and K. Kusrini, “Analisis Perbandingan Optimizer pada Arsitektur NASNetMobile Convolutional Neural Network untuk Klasifikasi Ras Kucing,” J Teknol, vol. 15, no. 2, pp. 171–177, Jan. 2023, doi: 10.34151/jurtek.v15i2.4025.

R. Setiyo Budiawan and B. Hartono, “Pengembangan Sistem Pendeteksi Jenis Sayuran dengan Metode CNN Berbasis Android,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 5, no. 1, pp. 62–72, 2023.