Implementasi Metode Convolutional Neural Network untuk Mendeteksi Penyakit Pada Citra Daun Tomat
Bilah Samping Artikel
Read Counter : 894
Download : 1444
Isi Artikel Utama
Abstrak
Tanaman tomat (Lycopersicum esculentum Mill) merupakan salah satu komoditas sayuran yang berpotensi multiguna dan menjadi penyumbang ekspor. Salah satu penyebab utama penurunan hasil produksi dari tanaman tomat, yaitu munculnya berbagai macam penyakit. Tanaman dikatakan terkena penyakit jika ada perubahan pada seluruh atau sebagian organ tanaman yang menyebabkan terganggunya kegiatan fisiologis sehari-hari. Penelitian ini akan menggunakan metode deep learning dan algoritma Convolutional Neural Network (CNN) untuk melakukan identifikasi penyakit pada tanaman tomat melalui daun. Pelatihan model CNN akan dilakukan menggunakan menggunakan bahasa pemograman Python dan dilakukan pada platform Google Colab, sedangkan pembangunan aplikasi berbasis android menggunkan Android Studio. Pengujian telah dilakukan dengan mengimplementasikan berbagai skenario uji, yaitu pengujian dengan sumber gambar dari galeri dan sumber gambar langsung dari kamera. Hasilnya adalah aplikasi yang dibangun cukup reliabel dengan akurasi uji pada gambar dari galeri sebesar 94% dan 80% akurasi untuk pengujian menggunakan gambar diambil langsung dari kamera.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Referensi
Abdillah, M., et al. 2022. Implementasi Sistem Pendeteksi Penggunaan Masker Berbasis Raspberry Pi 4 Menggunakan Metode Convolution Neural Network (CNN) pada Proses Screening Protokol Kesehatan COVID-19, Jurnal Teknika, vol. 16, no. 1.
Andrian, R. F. & Maretta, G. 2017. Keanekaragaman Serangga Pollinator Pada Bunga BIOSFER, Jurnal Tadris Pendidikan Biologi, vol. 8, no. 1.
Batubara, N. A. & Awangga, R. M. 2020. Tutorial Object Detection Plate Number With Convolution Neural Network (CNN), Bandung: Kreatif Industri Nusantara.
Faisal, F. S., et al. 2019. Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun, Jurnal Sifo Mikroskil, vol. 20, no. 2, pp. 117-134.
Khultsum, U. & Subekti, A. 2021. Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur Untuk Klasifikasi Penyakit Daun Tomat, Jurnal Media Informatika Budidarma, vol. 5, no. 1, pp. 186-193.
Kusumaningrum, S. I. 2019. Pemanfaatan Sektor Pertanian Sebagai Penunjang Pertumbuhan Perekonomian Indonesia, Jurnal Transaksi, vol. 11, no. 01.
Tristianto, C. 2018. Penggunaan Metode Waterfall Untuk Pengembangan Sistem Monitoring Dan Evaluasi Pembangunan Pedesaan, Jurnal Teknologi Informasi ESIT, vol. XII , no. 1.
Wati, C., et al. 2021. Hama dan Penyakit Tanaman, Medan: Yayasan Kita Menulis.