Klasifikasi Penyakit Pada Daun dan Buah Jambu Menggunakan Convolutional Neural Network
DOI:
https://doi.org/10.31328/jointecs.v8i3.4823Keywords:
deep learning, supervised learning, convolutional neural network, mobilenetv2Abstract
Jambu biji merupakan komoditas tanaman di Jawa Barat dengan jumlah produksi tahun 2021 mencapai 692.488 kuintal. Produksi ini mengalami penurunan sebesar -12,82% dibandingkan dengan tahun 2020 yang sebesar 794.345 kuintal. Penelitian menggunakan teknologi deep learning dengan algoritma Convolutional Neural Network (CNN) dan berarsitektur MobileNetV2 untuk melakukan klasifikasi citra digital daun dan buah jambu biji yang telah diberi label atau disebut supervised learning. Metode pengembangan yang digunakan dalam penelitian ini adalah Cross Industry Standard Process for Data Mining (CRISP-DM). Berdasarkan hasil penelitian ini, model daun jambu biji memiliki hasil evaluasi yang sangat baik, training accuracy sebesar 99,6%, validation accuracy 100%, training loss 3,2%, dan validation loss 3,1%. Confusion matrix model ini memiliki akurasi 100% dari 63 data validasi. Sementara itu, model buah jambu biji memerlukan dropout sebesar 0,2 dan kernel regularizers L2 sebesar 0,01 untuk mengurangi overfitting. Model ini memiliki training accuracy sebesar 98,8%, validation accuracy 91,6%, training loss 19,1%, dan validation loss 38,6%. Hasil confusion matrix menunjukkan akurasi model ini mencapai 91,6% dari 84 data validasi. Kemudian model berhasil diimplementasikan menjadi aplikasi berbasis mobile menggunakan bahasa pemrograman Kotlin.References
M. Kumar et al., “Guava ( Psidium guajava L .) Leaves : Nutritional Composition,” Foods, vol. 10, no. 752, pp. 1–20, 2021, doi: https://doi.org/ 10.3390/foods10040752.
G. Fischer and L. M. Melgarejo, “Ecophysiological aspects of guava (Psidium guajava L.). A review,” Rev. Colomb. Ciencias Hortícolas, vol. 15, no. 2, pp. 0–3, 2021, doi: 10.17584/rcch.2021v15i2.12355.
Badan Pusat Statistik Provinsi Jawa Barat, “Produksi Hortikultura Buah dan Sayur Tahunan Provinsi Jawa Barat 2021,” BPS Provinsi Jawa Barat, pp. 1–128, 2022, [Online]. Available: https://jabar.bps.go.id/publication/2022/12/23/1bb94ee2b41974c0e1cb3ab8/produksi-hortikultura-buah-dan-sayur-tahunan-provinsi-jawa-barat-2021.html
BPS Jawa Barat, “Curah Hujan di Stasiun Pengamatan Meteorologi Citeko Menurut Bulan (mm), 2019-2021,” Jul. 25, 2022. https://jabar.bps.go.id/indicator/151/433/1/curah-hujan-di-stasiun-pengamatan-meteorologi-citeko-menurut-bulan.html (accessed Mar. 06, 2023).
BPS Jawa Barat, “Curah Hujan di Stasiun Pengamatan Klimatologi Bogor Menurut Bulan (mm), 2019-2022,” Jul. 25, 2022. https://jabar.bps.go.id/indicator/151/430/1/-curah-hujan-di-stasiun-pengamatan-klimatologi-bogor-menurut-bulan.html (accessed Mar. 06, 2023).
BPS Jawa Barat, “Pengamatan Curah Hujan di Stasiun Pengamatan Geofisika Bandung Menurut Bulan (mm), 2019-2021,” Jul. 25, 2022. https://jabar.bps.go.id/indicator/151/425/1/pengamatan-curah-hujan-di-stasiun-pengamatan-geofisika-bandung-menurut-bulan.html (accessed Mar. 06, 2023).
BPS Jawa Barat, “Jumlah Curah Hujan di Stasiun Pengamatan Meteorologi Jatiwangi Menurut Bulan (mm), 2019-2021,” Jul. 25, 2022. https://jabar.bps.go.id/indicator/151/438/1/jumlah-curah-hujan-di-stasiun-pengamatan-meteorologi-jatiwangi-menurut-bulan.html (accessed Mar. 06, 2023).
T. Amaratunga, Deep Learning on Windows. 2021. doi: 10.1007/978-1-4842-6431-7.
“Top Countries/Markets by Smartphone Penetration & Users | Newzoo.” https://newzoo.com/insights/rankings/top-countries-by-smartphone-penetration-and-users (accessed Nov. 30, 2022).
“Indonesia: mobile OS share 2022 | Statista.” https://www.statista.com/statistics/262205/market-share-held-by-mobile-operating-systems-in-indonesia/ (accessed Nov. 30, 2022).
A. K. Sudiarto, K. Aelani, and F. Dwi Juniar, “Identifikasi Penyakit pada Daun Jambu Kristal Berbasis Android dengan Metode Enterprise Unified Process,” Jt. (Journal Inf. Technol., vol. 2, no. 1, pp. 1–8, 2020.
Umar, “Deteksi Penyakit Daun Pada Citra Daun Jambu Biji Menggunakan Segmentasi Warna,” J. Tek. Inform. dan Sist. Inf., vol. 1, no. 1, pp. 23–30, 2021, [Online]. Available: https://jurtisi.stmikmpb.ac.id/index.php/home/article/view/8
P. T. Ompusunggu, “KLASIFIKASI PENYAKIT TANAMAN PADA DAUN KENTANG DENGAN METODE CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR MOBILENET,” J. Syntax Fusion, vol. 33, no. 1, pp. 1–12, 2022, doi: https://doi.org/10.54543/fusion.v2i09.217.
M. Fatturachman, I. Yustiana, and Somantri, “Sistem Pendeteksi Penyakit Pada Daun Tanaman Singkong Menggunakan Deep Learning Dan Tensorflow Berbasis Android,” IJIS - Indones. J. Inf. Syst., vol. 7, no. 2, pp. 176–184, 2022, doi: 10.36549/ijis.v7i2.225.
C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.
M. F. Naufal et al., “Klasifikasi Citra Game Batu Kertas Gunting Menggunakan Convolutional Neural Network,” Techno.Com, vol. 20, no. 1, pp. 166–174, 2021, doi: 10.33633/tc.v20i1.4273.
A. G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” 2017, [Online]. Available: http://arxiv.org/abs/1704.04861
X. Ying, “An Overview of Overfitting and its Solutions,” J. Phys. Conf. Ser., vol. 1168, no. 2, 2019, doi: 10.1088/1742-6596/1168/2/022022.
T. Dwi Antoko, M. Azhar Ridani, and A. Eko Minarno, “Klasifikasi Buah Zaitun Menggunakan Convolution Neural Network,” Komputika J. Sist. Komput., vol. 10, no. 2, pp. 119–126, 2021, doi: 10.34010/komputika.v10i2.4475.
B. S. Sulastio, H. Anggono, and A. D. Putra, “Sistem Informasi Geografis Untuk Menentukan Lokasi Rawan Macet Di Jam Kerja Pada Kota Bandarlampung Pada Berbasis Android,” J. Teknol. dan Sist. Inf., vol. 2, no. 1, pp. 104–111, 2021, [Online]. Available: http://jim.teknokrat.ac.id/index.php/JTSI
N. S. Sibarani, G. Munawar, and B. Wisnuadhi, “Analisis Performa Aplikasi Android Pada Bahasa Pemrograman Java dan Kotlin.,” Ind. Res. Work. Natl. Semin., no. July, 2018.
M. Ilhamsyah and U. Enri, “Identification of Bacterial Spot Diseases on Paprika Leaves Using Cnn and Transfer Learning,” J. Pilar Nusa Mandiri, vol. 18, no. 1, pp. 17–24, 2022, doi: 10.33480/pilar.v18i1.2755.
Downloads
Published
Issue
Section
License
Pernyataan Hak Cipta dan Lisensi
Hak Cipta :
Penulis yang mempublikasikan naskahnya pada Jurnal ini menyetujui ketentuan berikut:
Hak cipta pada setiap artikel adalah milik penulis.
- Penulis mengakui bahwa JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE) berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0).
- Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif  dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE);
Lisensi :
JOINTECS diterbitkan berdasarkan ketentuan Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Lisensi ini mengizinkan setiap orang untuk menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun, menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun, termasuk kepentingan komersial, selama mereka mencantumkan kredit kepada Penulis atas ciptaan asli.
This work is Under licensed
Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
