KLASIFIKASI CITRA PENYAKIT DAUN JAGUNG MENGGUNAKAN ALGORITMA CNN EFFCIENTNET

Rajnapramitha Kusumastuti* -  STMIK AMIKOM Surakarta, Indonesia
Tommy Dwi Putra -  STMIK AMIKOM Surakarta, Sukoharjo Jawa Tengah, Indonesia
Zaky Zulfahmi Yudam -  STMIK AMIKOM Surakarta, Sukoharjo Jawa Tengah, Indonesia

DOI : 10.24269/mtkind.v17i2.10085

Tanaman jagung termasuk jenis makanan pokok dengan jumlah konsumsi tinggi sebagai makanan pokok yang ada di Indonesia. Dengan jumlah konsumsi yang tinggi, maka produksi tanaman jagung juga memiliki tingkat tanam yang juga tinggi. Untuk mengidentifikasi jenis penyakit daun dalam skala tanam yang besar tidak mudah dilakukan dengan cara manual karena membutuhkan ketelitian dan memakan waktu yang cukup lama. Penelitian ini bertujuan untuk mengindentifikasi penyakit daun jagung menggunakan metode convolutional neural network (CNN) dengan arsitektur effcientNetB1, effcientNetB2, dan efficienetNetB3. Penelitian menggunakan dataset sebanyak 4118 citra dengan ukuran 260 x 260 dan membagi dataset dengan persentase data pelatihan sebesar 80% dengan 10% data uji dan 10% data validasi. Hasil pengujian menunjukan arsitektur dari efficienNet memiliki nilai akurasi yang tinggi sebesar 97.77%.



Keywords
CNN; Penyakit Daun Jagung; Karat Daun; efficienNet
  1. Jumanta, Buku Pintar: Tumbuhan. Jakarta: Elex Media Komputindo, 2019. [Online]. Available: https://elexmedia.id/produk/detail/elex-kidz/jumanta/buku-pintar-tumbuhan/9786230001345
  2. M. I. Rosadi and M. Lutfi, “Identifikasi Jenis Penyakit Daun Jagung Menggunakan Deep Learning Pre-Trained Model,” J. Explor. IT!, vol. 13, no. 2, pp. 36–42, 2021, [Online]. Available: https://doi.org/10.35891/explorit
  3. I. P. Putra, R. Rusbandi, and D. Alamsyah, “Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network,” J. Algoritm., vol. 2, no. 2, pp. 102–112, 2022, doi: 10.35957/algoritme.v2i2.2360.
  4. D. Iswantoro and D. Handayani UN, “Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN),” J. Ilm. Univ. Batanghari Jambi, vol. 22, no. 2, p. 900, 2022, doi: 10.33087/jiubj.v22i2.2065.
  5. E. H. Rachmawanto and H. P. Hadi, “OPTIMASI EKSTRAKSI FITUR PADA KNN DALAM KLASIFIKASI PENYAKIT DAUN JAGUNG,” vol. 22, no. 2, pp. 58–67, 2021.
  6. J. Jumadi, Y. Yupianti, and D. Sartika, “Pengolahan Citra Digital Untuk Identifikasi Objek Menggunakan Metode Hierarchical Agglomerative Clustering,” JST (Jurnal Sains dan Teknol., vol. 10, no. 2, pp. 148–156, 2021, doi: 10.23887/jstundiksha.v10i2.33636.
  7. F. N. Ramaulidyah, “Perbandingan Metode Klasifikasi Naive Bayes Dan K-Nearest Neighbor Pada Data Status Pembayaran Pajak Pertambahan Nilai Di Kantor Pelayanan Pajak Pratama Smarinda Ulu,” vol. 12, 2020.
  8. S. Sena, “Pengenalan Deep Learning Part 7 : Convolutional Neural Network (CNN),” medium.com, 2018. https://medium.com/@samuelsena/pengenalan-deep-learning-part-7-convolutional-neural-network-cnn-b003b477dc94
  9. M. Wafa Akhyari, A. Suyoto, and F. Wahyu Wibowo, “Klasifikasi Penyakit Pada Daun Jagung Menggunakan Convolutional Neural Network,” J. Inf. J. Penelit. dan Pengabdi. Masyarakat., vol. 7, no. 2, pp. 12–15, 2021, [Online]. Available: https://github.com.
  10. F. Sarasati, F. S. Nugraha, and U. Radiyah, “Pemanfaatan Metode Deep Learning untuk Klasifikasi Penyakit pada Tanaman Jagung,” J. Infortech, vol. 1, no. 1, pp. 133–138, 2022, [Online]. Available: https://ejournal.bsi.ac.id/ejurnal/index.php/infortech/article/view/13898
  11. A. D. Nurcahyati, R. M. Akbar, and S. Zahara, “Klasifikasi Citra Penyakit pada Daun Jagung Menggunakan Deep Learning dengan Metode Convolution Neural Network (CNN),” SUBMIT J. Ilm. Teknol. Infomasi dan Sains, vol. 2, no. 2, pp. 43–51, 2022, doi: 10.36815/submit.v2i2.1877.
  12. S. Prajapati, S. Qureshi, Y. Rao, S. Nadkarni, M. Retharekar, and A. Avhad, “Plant Disease Identification Using Deep Learning,” 2023 4th Int. Conf. Emerg. Technol. INCET 2023, vol. 1, no. 1, pp. 29–40, 2023, doi: 10.1109/INCET57972.2023.10170463.
  13. F. Zhuang et al., “A Comprehensive Survey on Transfer Learning,” Proc. IEEE, vol. 109, no. 1, pp. 43–76, 2021, doi: 10.1109/JPROC.2020.3004555.
  14. C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 1, 2019, doi: 10.1186/s40537-019-0197-0.
  15. M. Grandini, E. Bagli, and G. Visani, “Metrics for Multi-Class Classification: an Overview,” pp. 1–17, 2020, [Online]. Available: http://arxiv.org/abs/2008.05756

Full Text:
Article Info
Submitted: 2024-08-16
Published: 2024-08-17
Section: Artikel
Article Statistics: