PENGARUH ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT DAUN TOMAT

Rizky Arya Kurniawan; Andi Sunyoto; Asro Nasiri

doi:10.46764/teknimedia.v4i2.111

Rizky Arya Kurniawan Magister Teknik Informatika, Universitas Amikom Yogyakarta
Andi Sunyoto Magister Teknik Informatika, Universitas Amikom Yogyakarta
Asro Nasiri Magister Teknik Informatika, Universitas Amikom Yogyakarta

DOI: https://doi.org/10.46764/teknimedia.v4i2.111

Kata Kunci: Convolutional Neural Network, Klasifikasi, Penyakit Daun Tomat

Abstrak

Penyakit tanaman menjadi salah satu factor yang krusial dalam keberlangsungan hidup tanaman. Pada tanaman tomat juga dibutuhkan identifikasi awal untuk dapat menangani masalah penyakit. Salah satu organ tanaman tomat yang biasa diserang penyakit adalah daun. Dengan melakukan identifikasi sejak dini maka dapat mencegah terjadinya gagal panen. Tentu dengan adanya system yang terlatih dapat mengurangi biaya seorang petani dalam menangani penyakit tanpa bantuan ahli. Pada penelitian ini akan dilakukan uji kemampuan arsitektur CNN untuk mengklasifikasi citra penyakit daun tomat. Dataset yang digunakan berjumlah 4079 data citra yang terbagi menjadi 3 kelas penyakit. Dari hasil percobaan yang telah dilakukan arsitektur InceptionV3 mendapatkan hasil terbaik dengan tingkat akurasi sebesar 100%, ResNet50 memiliki akurasi 97,36% dan MobileNet 85,81%.

Referensi

[1] A. Darwish, D. Ezzat, and A. E. Hassanien, “An optimized model based on convolutional neural networks and orthogonal learning particle swarm optimization algorithm for plant diseases diagnosis,” Swarm Evol. Comput., vol. 52, p. 100616, 2020, doi: 10.1016/j.swevo.2019.100616.
[2] J. Trivedi, Y. Shamnani, and R. Gajjar, “Plant Leaf Disease Detection Using Machine Learning,” Commun. Comput. Inf. Sci., vol. 1214 CCIS, no. September, pp. 267–276, 2020, doi: 10.1007/978-981-15-7219-7_23.
[3] Balakrishna K. and M. Rao, “Tomato Plant Leaves Disease Classification Using KNN and PNN,” Int. J. Comput. Vis. Image Process., vol. 9, no. 1, pp. 51–63, 2019, doi: 10.4018/ijcvip.2019010104.
[4] M. Govardhan and M. B. Veena, “Diagnosis of Tomato Plant Diseases using Random Forest,” 2019 Glob. Conf. Adv. Technol. GCAT 2019, pp. 1–5, 2019, doi: 10.1109/GCAT47503.2019.8978431.
[5] H. Sabrol and S. Kumar, “Intensity based feature extraction for tomato plant disease recognition by classification using decision tree,” Int. J. Comput. Sci. Inf. Secur., vol. 14, no. 9, pp. 622–626, 2016.
[6] D. Hubel and T. Wiesel, “Receptive fields, binocular interaction and functional architecture in the cat’s visual cortex,” J. Physiol., vol. 195, no. 1, pp. 215–243, 1968.
[7] J. Thomkaew and S. Intakosum, “Improvement Classification Approach in Tomato Leaf Disease using Modified Visual Geometry Group (VGG)-InceptionV3,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 12, pp. 362–370, 2022, doi: 10.14569/IJACSA.2022.0131244.
[8] S. S. Harakannanavar, J. M. Rudagi, V. I. Puranikmath, A. Siddiqua, and R. Pramodhini, “Plant leaf disease detection using computer vision and machine learning algorithms,” Glob. Transitions Proc., vol. 3, no. 1, pp. 305–310, 2022, doi: 10.1016/j.gltp.2022.03.016.
[9] C. R. Kotta, D. Paseru, M. Sumampouw, T. Informatika, U. Katolik De La Salle Manado, and K. I. Kombos Manado -, “Implementasi Metode Convolutional Neural Network untuk Mendeteksi Penyakit pada Citra Daun Tomat,” Jurnal_Pekommas_Vol._7_No, vol. 2, pp. 123–132, 2022.
[10] D. Das, M. Singh, S. S. Mohanty, and S. Chakravarty, “Leaf Disease Detection using Support Vector Machine,” Proc. 2020 IEEE Int. Conf. Commun. Signal Process. ICCSP 2020, pp. 1036–1040, 2020, doi: 10.1109/ICCSP48568.2020.9182128.
[11] G. Langar, P. Jain, N. Panchal, and C. Science, “and Engineering Trends Tomato Leaf Disease Detection Using Artificial,” vol. 5, no. 7, pp. 1–5, 2020.
[12] C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the Inception Architecture for Computer Vision,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 2818–2826, 2016, doi: 10.1109/CVPR.2016.308.
[13] V. Sangeetha and K. J. R. Prasad, “Deep Residual Learning for Image Recognition,” Indian J. Chem. - Sect. B Org. Med. Chem., vol. 45, no. 8, pp. 1951–1954, 2016, doi: 10.1002/chin.200650130.
[14] A. Fuadi and A. Suharso, “Perbandingan Arsitektur Mobilenet Dan Nasnetmobile Untuk Klasifikasi Penyakit Pada Citra Daun Kentang,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 3, pp. 701–710, 2022, doi: 10.29100/jipi.v7i3.3026.
[15] P. Machart and L. Ralaivola, “Confusion Matrix Stability Bounds for Multiclass Classification,” 2012, [Online]. Available: http://arxiv.org/abs/1202.6221.