Perbandingan Akurasi 3 Model Arsitektur CNN Dalam Mengklasifikasikan Jenis Penyakit Daun Padi
Keywords:
Klasifikasi, Penyakit Daun Padi, CNN, VGG, RESNET, DENSENETAbstract
Penyakit pada daun padi merupakan salah satu faktor utama yang dapat menurunkan produktivitas pertanian di Indonesia. Deteksi penyakit secara manual memiliki keterbatasan dalam hal kecepatan dan akurasi, terutama dalam jumlah tanaman yang diperiksa banyak. Maka, diperlukan metode yang lebih efisien dalam mengidentifikasi jenis penyakit daun padi. Convolutional Neural Network (CNN) dikenal efektif dalam klasifikasi gambar dan memiliki model arsitektur yang banyak, sehingga digunakan dalam penelitian ini untuk membandingkan tiga arsitektur CNN, yaitu VGG-16, DenseNet-201, dan ResNet-152v2 dalam mengklasifikasikan jenis penyakit daun padi. Penelitian ini menggunakan dataset citra daun padi dengan empat kelas: brown spot, leaf brown, hawar, dan daun sehat. Dataset ini dibagi menjadi data training, validation, dan testing dan setiap arsitektur dilatih menggunakan 10 epoch untuk membandingkan akurasinya. Hasil menunjukan bahwa DenseNet-201 memiliki nilai akurasi tertinggi sebesar 92%, diikuti oleh VGG-16 dengan 90%, dan ResNet-152v2 dengan 70%. Penelitian ini menunjukan bahwa DenseNet-201 lebih efektif dalam mengklasifikasikan jenis penyakit daun padi.
References
[1] F. H. Hawari, F. Fadillah, M. R. Alviandi, and T. Arifin, “Klasifikasi Penyakit Tanaman Padi Menggunakan Algoritma Cnn (Convolutional Neural Network),” J. Responsif Ris. Sains dan Inform., vol. 4, no. 2, pp. 184–189, 2022, doi: 10.51977/jti.v4i2.856.
[2] M. Khoiruddin, A. Junaidi, and W. A. Saputra, “Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network,” vol. 2, no. 1, pp. 37–45, 2022.
[3] Sandi Ramadhan, L. Afifah, Satriyo Restu Adhi, and Budi Irfan, “INTENSITAS PENYAKIT TANAMAN PADI (Oryza sativa L.) VARIETAS CIHERANG PADA APLIKASI BEBERAPA TEKNIK PENGENDALIAN,” J. Agrotech, vol. 13, no. 2, pp. 127–134, 2023, doi: 10.31970/agrotech.v13i2.148.
[4] M. Deden Miftah Fauzi, T. Al Mudzakir, C. Emilia Sukmawati, and J. Indra, “KLIK: Kajian Ilmiah Informatika dan Komputer Deteksi Jenis Penyakit Pada Tanaman Padi Menggunakan Yolo V5,” Media Online), vol. 5, no. 1, pp. 39–48, 2024, doi: 10.30865/klik.v5i1.2009.
[5] N. Hidayati, “Modifikasi Arsitektur Densenet121 Dengan Transfer Learning Untuk Deteksi Penyakit Tanaman Jagung Berdasarkan Citra Daun,” Angew. Chemie Int. Ed. 6(11), 951–952., pp. 2013–2015, 2021.
[6] F. A. Astuti, “Pemanfaatan Teknologi Artificial Intelligence untuk Penguatan Kesehatan dan Pemulihan Ekonomi Nasional,” J. Sist. Cerdas, vol. 4, no. 1, pp. 25–34, 2021, doi: 10.37396/jsc.v4i1.124.
[7] S. Hidayatulloh, M. A. Mustajab, and Y. Ramdhani, “Penggunaan Otimasi Atribut Dalam Peningkatan Akurasi Prediksi Deep Learning Pada Bike Sharing Demand,” INFOTECH J., vol. 9, no. 1, pp. 54–61, 2023, doi: 10.31949/infotech.v9i1.4530.
[8] E. Turnip and A. F. Rozi, “Analisis Perbandingan Arsitektur Convolutional Neural Network pada Klasifikasi Jenis Penyakit Daun Padi,” ProTekInfo(Pengembangan Ris. dan Obs. Tek. Inform., vol. 11, no. 2, pp. 1–6, 2024, doi: 10.30656/protekinfo.v11i2.9052.
[9] Afis Julianto, Andi Sunyoto, and Ferry Wahyu Wibowo, “Optimasi Hyperparameter Convolutional Neural Network Untuk Klasifikasi Penyakit Tanaman Padi,” Tek. Teknol. Inf. dan Multimed., vol. 3, no. 2, pp. 98–105, 2022, doi: 10.46764/teknimedia.v3i2.77.
[10] U. Khultsum and G. Taufik, “Komparasi Kinerja DenseNet 121 dan MobileNet untuk Klasifikasi Citra Penyakit Daun Kentang,” JURIKOM (Jurnal Ris. Komputer), vol. 10, no. 2, p. 558, 2023, doi: 10.30865/jurikom.v10i2.6047.
[11] A. Zalvadila, “Klasifikasi Penyakit Tanaman Bawang Merah Menggunakan Metode SVM dan CNN,” J. Inform. J. Pengemb. IT, vol. 8, no. 3, pp. 255–260, 2023, doi: 10.30591/jpit.v8i3.5341.
[12] M. I. Wahid, S. A. Mustamin, and D. A. Lawi, “Identifikasi Dan Klasifikasi Citra Penyakit Daun Tomat Menggunakan Arsitektur Inception V4,” onferensi Nas. Ilmu Komput., vol. 5, no. 2019, pp. 257–264, 2021.
[13] T. Arifin and S. Syalwah, “Prediksi Keberhasilan Immunotherapy Pada Penyakit Kutil Dengan Menggunakan Algoritma Naïve Bayes,” J. Responsif Ris. Sains dan Inform., vol. 2, no. 1, pp. 38–43, 2020, doi: 10.51977/jti.v2i1.177.
Downloads
Published
Issue
Section
License
All articles published in the eProsiding Sistem Informasi (POTENSI) are licensed under the provisions of the Study Program. Under this license, authors retain the copyright to their works, while others are permitted to copy, distribute, display, and create derivative works from the published articles, whether for commercial or non-commercial purposes, provided that proper acknowledgment is given to the original author and the eProsiding Sistem Informasi (POTENSI) as the source of publication.
Any derivative works must be distributed under the same license. This license supports the open access principle to promote the free and responsible dissemination of scientific knowledge.
