Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN) VGG16
Abstract
Penyakit tanaman merupakan tantangan utama dalam pertanian tomat yang dapat mengurangi hasil panen dan kualitas produk, salah satu bagian tanaman yang sering menjadi target serangan adalah daun, sehingga deteksi dini penyakit tanaman menjadi sangat penting. Penelitian ini dilakukan untuk mengklasifikasikan penyakit tanaman tomat berdasarkan citra daun menggunakan model Convolutional Neural Network (CNN) dengan arsitektur VGG-16, yang dikenal karena kedalamannya dan kemampuannya dalam mengekstraksi fitur kompleks serta menangani variasi dalam data gambar. Hasil penelitian menunjukkan bahwa model mencapai akurasi pengujian sebesar 91% dan akurasi pengujian validasi 92%, menegaskan kemampuannya dalam mendeteksi berbagai penyakit tomat dengan generalisasi yang memadai. Temuan ini menunjukkan potensi teknologi deep learning dalam meningkatkan sistem deteksi penyakit tanaman, yang dapat mendukung praktik pertanian yang lebih efisien.
Keywords
Full Text:
PDFReferences
Gleason, M. L. (2005). Tomato Diseases and Disorders. In Ames, IA: Iowa State University, University Extension. (Issue August).
Rachmawati, R. R. (2021). Smart Farming 4.0 Untuk Mewujudkan Pertanian Indonesia Maju, Mandiri, Dan Modern. Forum Penelitian Agro Ekonomi, 38(2), 137. https://doi.org/10.21082/fae.v38n2.2020.137-154
F. A. Danendra, F. T. Anggraeny, and H. Maulana, “Klasifikasi Citra Penyakit Daun Cabai Rawit Dengan Menggunakan CNN Arsitektur AlexNet dan SqueezeNet,” Syntax J. Inform., vol. 12, no. 01, pp. 50–61, 2023.
Berliani, Tasya., dkk (2023), Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16, Journal of Medicine and Health (JMH), 5(2), 123-135. https://doi.org/10.28932/jmh.v5i2.6116
Wibawa, A. P., Guntur, M., Purnama, A., Fathony Akbar, M., & Dwiyanto, F. A. (2018). Metode-metode Klasifikasi. Prosiding Seminar Ilmu Komputer Dan Teknologi Informasi, 3(1), 134–138.
Yanto, B., Fimawahib, L., Supriyanto, A., Hayadi, B. H., & Pratama, R. R. (2021). Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network. INOVTEK Polbeng - Seri Informatika, 6(2), 259. https://doi.org/10.35314/isi.v6i2.2104
Iswantoro, D., & UN, D. H. (2022). Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Ilmiah Universitas Batanghari Jambi, 22(2), 900-905. http://dx.doi.org/10.33087/jiubj.v22i2.2065
Hafifah, F., Rahman, S., & Asih, M. S. (2021). Klasifikasi Jenis Kendaraan Pada Jalan Raya Menggunakan Metode Convolutional Neural Networks (CNN). TIN: Terapan Informatika Nusantara, 2(5), 292-301.
Z. Liu, J. Peng, X. Guo, S. Chen, L. Liu (2024). Breast cancer classification method based on improved VGG16 using mammography images. Journal of Radiation Research and Applied Sciences. https://doi.org/10.1016/j.jrras.2024.100885
Y. Chen, Y. Chen, S. Fu, W. Yin, K. Liu, S. Qian (2023). VGG16-based intelligent image analysis in the pathological diagnosis of IgA nephropathy. Journal of Radiation Research and Applied Sciences. https://doi.org/10.1016/j.jrras.2023.100626
Nasution, A. R. S. (2021). Identifikasi Permasalahan Penelitian. ALACRITY : Journal Of Education, 1(2), 13-19. https://doi.org/10.52121/alacrity.v1i2.21
Makbul, M. (2021). Metode Pengumpulan Data dan Instrumen Penelitian. https://doi.org/10.31219/osf.io/svu73
Sirait, K. B., dkk (2022) Pengelompokan Produksi Telur di Provinsi Jawa Barat dengan Menggunakan Algoritma K-Means: Grouping of Egg Production in West Java Province Using the K-Means Algorithm. https://journal.irpi.or.id/index.php/sentimas/article/view/349%.
Setiawan, E. (n.d.). Arti kata simpul - Kamus Besar Bahasa Indonesia (KBBI) Online. https://kbbi.web.id/simpul
M. Resa Arif Yudianto, P. Sukmasetya, R. Abul Hasani, and D. Sasongko, “Pengaruh Data Preprocessing terhadap Imbalanced Dataset pada Klasifikasi Citra Sampah menggunakan Algoritma Convolutional Neural Network,” Build. Informatics, Technol. Sci., vol. 4, no. 3, pp. 1367–1375, 2022, doi: 10.47065/bits.v4i3.2575.
Kaustubh, Tomato leaf disease detection. 2019. [Online]. Available: https://www.kaggle.com/datasets/kaustubhb999/tomatoleaf
DOI: https://doi.org/10.31284/j.kernel.2023.v4i2.6829
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 Marchel Adias Pradana, Riza Satria Putra, Rafie Ishaq Maulana, Subairi Subairi, Fetty Tri Anggraeny
This work is licensed under a Creative Commons Attribution 4.0 International License.
Diindeks oleh:
