Identifikasi Penyakit Tanaman Jagung Berdasarkan Citra Daun Menggunakan Convolutional Neural Network

Bima Widianto, Ema Utami, Dhani Ariatmanto

Abstract


Komoditas jagung di Indonesia menjadi tanaman pangan terbesar kedua setelah padi sebagai sumber karbohidrat. Namun dikarenakan keterbatasan kemampuan petani dan faktor lingkungan menyebabkan upaya penanganan tanaman jagung akibat adanya serangan organisme pengganggu tanaman menjadi terhambat. Penelitian ini mengusulkan upaya deteksi secara dini terhadap jenis penyakit pada daun tanaman jagung menggunakan metode Convolutional Neural Network (CNN) yang dikenal sebagai algoritma pembelajaran mesin berkinerja tinggi dalam mengklasifikasikan jenis penyakit tanaman ke dalam beberapa kelas seperti Blight, Common Rust, Grey Leaf Spot, dan Healthy. Selain itu, transformasi warna citra dari RGB, HSV dan Grayscale, proses segmentasi dengan Region of Interest (ROI) serta dilengkapi dengan penerapan ektraksi fitur tekstur dengan menggunakan GLCM telah mampu menghasilkan tingkat akurasi sebesar 94% dan nilai loss rate yang relatif kecil yaitu 0.1742. Hasil penelitian ini menunjukkan bahwa penggunaan metode CNN terbukti secara efisien & efektif dalam melakukan identifikasi jenis penyakit tanaman.


Keywords


Corn Disease; Machine Learning; Convolutional Neural Network; GLCM; Image Processing

Full Text:

PDF

References


D. Iswantoro and D. Handayani UN, “Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN),” Jurnal Ilmiah Universitas Batanghari Jambi, vol. 22, no. 2, p. 900, Jul. 2022, doi: 10.33087/jiubj.v22i2.2065.

M. A. Ulhaq and R. Masnilah, “Pengaruh Penggunaan Beberapa Varietas dan Aplikasi Pseudomonas fluorescens untuk Mengendalikan Penyakit Bulai (Peronosclerospora maydis) pada Tanaman Jagung (Zea mays L.),” Jurnal Pengendalian Hayati, vol. 2, no. 1, p. 1, Mar. 2019, doi: 10.19184/jph.v2i1.17131.

I. Syahriani et al., “Identifikasi Penyakit pada Batang Tanaman Jagung (Zea Mays) di Kecamatan Panyabungan Kabupaten Mandailing Natal, Sumatera Utara,” in Prosiding SEMNAS BIO , 2021.

M. Wafa Akhyari, A. Suyoto, and F. Wahyu Wibowo, “Klasifikasi Penyakit Pada Daun Jagung Menggunakan Convolutional Neural Network,” 2021.

R. Suhendra, I. Juliwardi, and Sususi, “Identifikasi dan Klasifikasi Penyakit Daun Jagung Menggunakan Support Vector Machine,” vol. 1, no. 1, pp. 29–35, 2022, [Online]. Available: http://jurnal.utu.ac.id/JTI

M. I. Rosadi, M. Lutfi, and S. Artikel, “Identifikasi Jenis Penyakit Daun Jagung Menggunakan Deep Learning Pre-Trained Model,” 2021, doi: 10.35891/explorit.

A. D. Nurcahyati, R. Makhfuddin Akbar, and S. Zahara, “Klasifikasi Citra Penyakit Pada Daun Jagung Menggunakan Deep Learning Dengan Metode Convolution Neural Network (CNN),” vol. 2, no. 2, pp. 43–51, 2022, [Online]. Available: http://ejurnal.unim.ac.id/index.php/submit

G. Geetharamani and A. P. J., “Identification of plant leaf diseases using a nine-layer deep convolutional neural network,” Computers & Electrical Engineering, vol. 76, pp. 323–338, Jun. 2019, doi: 10.1016/J.COMPELECENG.2019.04.011.

D. Singh, N. Jain, P. Jain, P. Kayal, S. Kumawat, and N. Batra, “PlantDoc: A Dataset for Visual Plant Disease Detection,” Nov. 2019, doi: 10.1145/3371158.3371196.

S. Sunardi, A. Yudhana, and S. Saifullah, “Identification of Egg Fertility Using Gray Level Co-Occurrence Matrix and Backpropagation,” Adv Sci Lett, vol. 24, pp. 9151–9156, Dec. 2018, doi: 10.1166/asl.2018.12115.

R. Fadholi, Y. A. Sari, and F. Abdurrachman Bachtiar, “Pengenalan Citra Makanan Tradisional menggunakan Fitur Hue Saturation Value dan Fuzzy k-Nearest Neighbor,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer , vol. 3, no. 7, pp. 6556–6566, 2019, [Online]. Available: http://j-ptiik.ub.ac.id

A. K. Saputro and D. N. Purnamasari, “Identifikasi Jenis Plastik Berdasarkan Reflektansi Cahaya Menggunakan Transformasi Ruang Warna HSV Identification Of Plastic Type Based on Light Reflection In HSV Colorspace Conversion,” Jurnal SimanteC, vol. 11, no. 1, 2022.

M. M. Chandra and Yoannita, “Klasifikasi Jenis Bunga Menggunakan Metode SVM Berdasarkan Citra Dengan Fitur HSV,” Jurnal Indonesia Sosial Teknologi, vol. 4, pp. 255–264, 2023.

M. A. Rohman, P. Mudjirahardjo, and M. A. Muslim, “Implemantasi Metode Convolutional Neural Network Dan Ekstraksi GLCM Pada Klasifikasi Kanker Paru,” Jurnal Ilmiah Teknik Elektro, vol. 23, no. 4, 2021.

Felix, S. Faisal, T. F. M. Butarbutar, and P. Sirait, “Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun,” OKTOBER 2019 IJCCS, vol. 20, pp. 1–5, 2019.

A. H. Pratomo, W. Kaswidjanti, and S. Mu’arifah, “Implementasi Algoritma Region Of Interest (ROI) Untuk Meningkatkan Performa Algoritma Deteksi Dan Klasifikasi Kendaraan,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 7, no. 1, pp. 155–162, 2020, doi: 10.25126/jtiik.202071718.

M. Segal-Rozenhaimer, A. Li, K. Das, and V. Chirayath, “Cloud detection algorithm for multi-modal satellite imagery using convolutional neural-networks (CNN),” Remote Sens Environ, vol. 237, p. 111446, 2020, doi: https://doi.org/10.1016/j.rse.2019.111446.

L. Qian, L. Hu, L. Zhao, T. Wang, and R. Jiang, “Sequence-Dropout Block for Reducing Overfitting Problem in Image Classification,” IEEE Access, vol. PP, p. 1, Mar. 2020, doi: 10.1109/ACCESS.2020.2983774.

D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” 2021.

A. A. Devi Putri, S. Hasanah, M. S. Bahrul, and N. Suciati, “Analisis Penggunaan Pra-proses pada Metode Transfer Learning untuk Mendeteksi Penyakit Daun Singkong,” Techno.COM, vol. 22, no. 2, pp. 336–347, 2023.




DOI: https://doi.org/10.33633/tc.v22i3.8425

Article Metrics

Abstract view : 245 times
PDF - 193 times

Refbacks

  • There are currently no refbacks.




Diterbitkan Oleh :

 

Jurnal Techno.Com terindex di :

    Screenshot-2024-02-11-at-17-10-53

Jurnal Teknologi Informasi Techno.Com (p-ISSN : 1412-2693, e-ISSN : 2356-2579) diterbitkan oleh LPPM Universitas Dian Nuswantoro Semarang. Jurnal ini di bawah lisensi Creative Commons Attribution 4.0 International License.