IMPLEMENTASI TRANSFER LEARNING UNTUK KLASIFIKASI PENYAKIT PADA DAUN CABAI MENGGUNAKAN CNN

Rahmat Arief Setyadi, Sayuti Rahman, Dionikxon Manurung, Mardiatul Hasanah, Asmah Indrawati

Abstract


Penelitian ini bertujuan untuk mengklasifikasikan penyakit pada daun cabai merah menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning, khususnya arsitektur ResNet101. Indonesia, sebagai negara agraris, memiliki banyak petani yang mengandalkan tanaman cabai merah sebagai salah satu komoditas utama. Namun, penyakit daun cabai sering kali menurunkan kualitas dan kuantitas hasil panen. Dalam upaya meningkatkan deteksi dini penyakit, penelitian ini memanfaatkan teknologi deep learning untuk menganalisis citra daun cabai. Dataset yang digunakan terdiri dari citra penyakit daun cabai merah yang telah diaugmentasi, dengan total 2128 gambar yang dibagi menjadi data training sebanyak 1702 citra dan data validasi sebanyak 426 citra. Penelitian ini membandingkan kinerja berbagai arsitektur CNN, termasuk AlexNet, GoogleNet, VGGNet16, dan ResNet50, serta lapisan-lapisan pada arsitektur ResNet. Hasil penelitian menunjukkan bahwa augmentasi dataset meningkatkan akurasi validasi dari 89.72% menjadi 97.18%. ResNet101 mencapai akurasi validasi tertinggi sebesar 98.12%, menunjukkan efektivitas transfer learning dalam tugas klasifikasi penyakit daun cabai. Penelitian ini menunjukkan bahwa penggunaan metode CNN dengan transfer learning, khususnya arsitektur ResNet101, sangat efektif untuk mendeteksi dan mengklasifikasikan penyakit pada daun cabai merah. Peningkatan kinerja model melalui augmentasi dataset dan pemilihan arsitektur yang tepat dapat membantu meningkatkan kualitas dan kuantitas hasil panen, serta mendukung pertanian cerdas di Indonesia

Keywords


CNN;Transfer Learning; Smart Agriculture Systems; Computer Vision

Full Text:

PDF

References


Aishwarya, M. P., & Reddy, A. P. (2024). Dataset of chilli and onion plant leaf images for Classification and detection. Data in Brief, 54, 110524.

Anggraeni, D. S., Widayana, A., Rahayu, P. D., & Rozikin, C. (2022). Metode Algoritma Convolutional Neural Network pada Klasifikasi Penyakit Tanaman Cabai. Satuan Tulisan Riset Dan Inovasi Teknologi, 7(1), 73–78.

Astuti, F. S., Wanto, H. S., & Koesriwulandari, K. (2021). Elastisitas Permintaan Cabai Merah (Capsicum annuum L.) DI KOTA SURABAYA. Jurnal Ilmiah Sosio Agribis, 21(1).

Chavez, K. (2023). Implementasi Sistem Pendeteksi Penyakit Pada Daun Singkong Dan Daun Cabai Berbasis Machine Learning. JURNAL QUANCOM: QUANTUM COMPUTER JURNAL, 1(2), 1–5.

Danendra, F. A., Anggraeny, F. T., & Maulana, H. (2023). Klasifikasi Citra Penyakit Daun Cabai Rawit Dengan Menggunakan CNN Arsitektur AlexNet dan SqueezeNet. Syntax: Jurnal Informatika, 12(01), 50–61.

Dzaky, A. T. R., & Al Maki, W. F. (2021). Deteksi Penyakit Tanaman Cabai Menggunakan Metode Convolutional Neural Network. EProceedings of Engineering, 8(2).

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. https://doi.org/10.1109/CVPR.2016.90

Ilham, N., Mustamu, N. E., Dalimunthe, B. A., & Saragih, S. H. Y. (2023). Aplikasi Pemberian Abu Sekam Padi dan Pupuk Organik Cair (POC) Terhadap Produksi Tanaman Cabai Merah (Capsicum annum L.). JURNAL MAHASISWA AGROTEKNOLOGI (JMATEK), 4(2), 56–63.

Karno, A. S. B., Hastomo, W., Wardhana, I. S. K., Sutarno, S., & Arif, D. (2022). Identification of 29 Types of Plant Diseases using Deep Learning EfficientNetB3. Insearch: Information System Research Journal, 2(02), 35–45.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet Classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 1097–1105.

Pirngadi, R. S., Utami, J. P., Siregar, A. F., Salsabila, S., Habib, A., & Manik, J. R. (2023). Analisis Faktor Yang Mempengaruhi Pendapatan Usahatani Cabai Merah Di Kecamatan Beringin. Welcome, 25(1), 486–492.

Poojary, R., Raina, R., & Mondal, A. K. (2021). Effect of data-augmentation on fine-tuned CNN model performance. IAES International Journal of Artificial Intelligence, 10(1), 84.

Rahman, S, Ramli, M., Arnia, F., Muharar, R., Luthfi, M., & Sundari, S. (2020). Analysis and Comparison of Hough Transform Algorithms and Feature Detection to Find Available Parking Spaces. Journal of Physics: Conference Series, 1566(1), 012092. https://doi.org/10.1088/1742-6596/1566/1/012092

Rahman, Sayuti, Ramli, M., Arnia, F., Muharar, R., Zen, M., & Ikhwan, M. (2021). Convolutional Neural Networks Untuk Visi Komputer Jaringan Saraf Konvolusional untuk Visi Komputer (Arsitektur Baru, Transfer Learning, Fine Tuning, dan Pruning). Deepublish.

Ridhovan, A., & Suharso, A. (2022). Penerapan Metode Residual Network (RESNET) Dalam Klasifikasi Penyakit Pada Daun Gandum. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 7(1), 58–65.

Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. ArXiv Preprint ArXiv:1409.1556.

Szegedy, C., Wei Liu, Yangqing Jia, Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1–9. https://doi.org/10.1109/CVPR.2015.7298594




DOI: https://doi.org/10.46576/djtechno.v5i2.4642

Article Metrics

Abstract view : 296 times
PDF – 167 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Rahmat Arief Setyadi, Sayuti Rahman, Dionikxon Manurung, Mardiatul Hasanah,asmah indrawati

DJTECHNO: Jurnal Teknologi Informasi Indexed By


MEMBER OF


Dedicated to :

Djtechno: Jurnal Teknologi Informasi published by :

PROGRAM STUDI TEKNOLOGI INFORMASI UNIVERSITAS DHARMAWANGSA

Alamat : Jl. K. L. Yos Sudarso No. 224 Medan
Kontak : Tel. 061 6635682 - 6613783  Fax. 061 6615190
Surat Elektronik : s1.ti@dharmawangsa.ac.id

Djtechno: Jurnal Teknologi Informasi

Ciptaan disebarluaskan di bawah Creative Commons Attribution-ShareAlike 4.0 International License