Identifikasi Penyakit pada Citra Daun Kentang Menggunakan Convolutional Neural Network (CNN)
Article Sidebar
Main Article Content
Abstract
Kentang merupakan produk hasil pertanian yang memiliki kandungan tepung tertinggi keempat setelah jagung, gandum, dan padi. Pengelolaan pertanian kentang memiliki beberapa permasalahan diantaranya adalah penyakit pada daun kentang yang apabila tidak diselesaikan dapat menyebabkan hasil produksi yang buruk hingga gagal panen. Penyakit yang sering ditemui pada daun kentang yaitu early blight dan late blight. Kedua penyakit ini memiliki gejala serta penanganan yang berbeda, namun proses identifikasi yang lambat dapat menyebabkan tambahan biaya untuk perawatan. Pada penelitian ini penulis memanfaatkan algoritma deep learning yaitu convolutional neural network (CNN) untuk identifikasi citra pada daun kentang. Data yang digunakan pada penelitian ini berjumlah 5400 citra yang terbagi menjadi 3 kelas yaitu citra sehat, citra early blight, dan citra late blight. Hasil pengujian menunjukkan akurasi tertinggi pada data validation yaitu sebesar 99% sehingga dapat disimpulkan bahwa algoritma deeep learning convolutional neural network (CNN) dapat melakukan proses identifikasi penyakit pada citra daun kentang dengan baik.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
L. Amatullah, I. Ein, and M. M. Santoni, “Identifikasi Penyakit Daun Kentang Berdasarkan Fitur Tekstur dan Warna Dengan Menggunakan Metode K-Nearest Neighbor,” in Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), 2021, vol. 2, no. 1, pp. 783–791.
Felix, S. Faisal, T. F. M. Butarbutar, and P. Sirait, “Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun,” J. SIFO Mikroskil, vol. 20, no. 2, pp. 117–134, 2019.
N. Ahmad and Iskandar, “Metode Forward Chaining untuk Deteksi Penyakit Pada Tanaman Kentang,” JINTECH J. Inf. Technol., vol. 1, no. 2, pp. 7–20, 2020, doi: 10.22373/jintech.v1i2.592.
A. J. Rozaqi, A. Sunyoto, and M. rudyanto Arief, “Deteksi Penyakit Pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network,” Creat. Inf. Technol. J., vol. 8, no. 1, pp. 22–31, 2021, doi: 10.24076/citec.2021v8i1.263.
E. Rasywir, R. Sinaga, and Y. Pratama, “Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN),” Paradig. - J. Komput. dan Inform., vol. 22, no. 2, pp. 117–123, 2020, doi: 10.31294/p.v22i2.8907.
Felix, J. Wijaya, S. P. Sutra, P. W. Kosasih, and P. Sirait, “Implementasi Convolutional Neural Network Untuk Identifikasi Jenis Tanaman Melalui Daun,” J. SIFO Mikroskil, vol. 21, no. 1, pp. 1–10, 2020.
A. Grosir, P. Toko, and R. Bungursari, “Klasifikasi Penyakit Tanaman pada Daun Apel dan Anggur Menggunakan Convolutional Neural Networks,” vol. 4, no. 2, pp. 10–17, 2017.
F. N. Fiqri, “Deteksi Covid-19 Berdasarkan Citra X-Ray Menggunakan Convolutional Neural Network,” Bogor, 2020.
I. Hasan, S. Suprayogi, and H. B. Dyah, “Klasifikasi Jenis Jerawat Menggunakan Convolutional Neural Networks,” eProceedings Eng., vol. 8, no. 1, pp. 358–372, 2021.
D. M. F. Shanti, N. Hidayat, and R. C. Wihandika, “Implementasi Metode F-KNN (Fuzzy K-Nearest Neighbor) Untuk Diagnosis Penyakit Anjing,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 12, pp. 7401–7407, 2018.
Y. Yusdian, K. Karya, and R. Vaisal, “Pengaruh Dosis Pupuk Kandang Ayam Terhadap Pertumbuhan dan Hasil Tanaman Kentang (Solanum tuberosum L.) Varietas Granola,” Paspalum J. Ilm. Pertan., vol. 6, no. 2, pp. 98–102, 2018, doi: 10.35138/paspalum.v6i2.92.
Z. Y. G. Tirtana, L. Sulistyowati, and A. Cholil, “Eksplorasi jamur endofit pada tanaman kentang (Solanum tuberosum L) Serta Potensi Antagonismenya Terhadap Phytophthora infestans (Mont.) de Barry Penyebab Penyakit Hawar Daun Secara In Vitro,” J. Hama dan Penyakit Tumbuh., vol. 2, no. 1, pp. 91–101, 2014.
I. R. Sastrahidayat, Tanaman Kentang dan Pengendalian Hama Penyakitnya. Malang: Universitas Brawijaya Press, 2011.
F. Nainggolan, H. D. Hutahaean, and A. Gea, “Sistem Pakar Mendeteksi Penyakit Pada Tanaman Sayur Sawi Dengan Metode Bayes,” J. Armada Inform., vol. 2, no. 2, pp. 109–118, 2018, doi: 10.36520/jai.v2i2.31.
K. M. Gold et al., “Hyperspectral Measurements Enable Pre-symptomatic Detection and Differentiation of Contrasting Physiological Effects of Late Blight and Early Blight in Potato,” Remote Sens., vol. 12, no. 2, p. 286, 2020, doi: 10.3390/rs12020286.
W. Xue, K. G. Haynes, and X. Qu, “Characterization of Early Blight Resistance in Potato Cultivars,” Plant Dis., vol. 103, no. 4, pp. 629–637, 2019, doi: 10.1094/PDIS-05-18-0794RE.
G. J. Bu’ulölö, A. Jacobus, and F. D. Kambey, “Identification of Cataract Eye Disease Using Convolutional Neural Network,” J. Tek. Inform., vol. 16, no. 4, pp. 375–382, 2021.
C. Nisa, E. Y. Puspaningrum, and H. Maulana, “Penerapan Metode Convolutional Neural Network Untuk Klasifikasi Penyakit Daun Apel pada Imbalanced Data,” in Prosiding Seminar Nasional Informatika Bela Negara (SANTIKA), 2020, vol. 1, pp. 169–175.
R. A. Pangestu, B. Rahmat, and F. T. Anggraeny, “Implementasi Algoritma CNN untuk Klasifikasi Citra Lahan dan Perhitungan Luas,” Inform. dan Sist. Inf., vol. 1, no. 1, pp. 166–174, 2020.
J. Brownlee, Data Preparation for Machine Learning: Data Cleaning, Feature Selection and Data Transforms In Phyton. Machine Learning Mastery, 2020.