Open Journal Systems

Klasifikasi Penyakit Antraknosa Pepaya California Menggunakan Convolutional Neural Network

       Siti Nurazila, Donny Avianto

Abstract


Pepaya memiliki berbagai varian, salah satunya adalah pepaya California yang memiliki nilai jual tinggi di pasaran. Namun, petani sering kali mengalami gagal panen dikarenakan munculnya penyakit pada pepaya California. Salah satu penyakit yang menyerang pepaya adalah penyakit antraknosa. Kurangnya pengetahuan petani, apalagi petani baru sangat berpengaruh dengan kurangnya tindakan pencegahan penyakit antraknosa. Oleh karena itu, dibuatlah penelitian klasifikasi penyakit antraknosa pada pepaya California menggunakan Convolutional Neural Network (CNN). Data penelitian yang digunakan berjumlah 300 data citra dengan pembagian 150 data pepaya sehat dan 150 data pepaya antraknosa. Dalam proses pembangunan model CNN dataset akan dibagi menjadi dua bagian dengan perbandingan 80:20 antara data training dan data validation. Penelitian ini bertujuan untuk memberi informasi kepada petani baru tentang pengklasifikasian penyakit antraknosa pada pepaya. Hasil pengujian menunjukkan bahwa model terbaik dihasilkan menggunakan parameter optimizer Adam, epoch 20, dan loss binary cross-entropy. Model tersebut menghasilkan akurasi training 99,17% dan testing 99,58% dengan loss training 0,0239 dan loss validation 0,0177. Hasil penelitian menunjukkan bahwa algoritma CNN optimal dalam melakukan klasifikasi citra pepaya.


  http://dx.doi.org/10.31544/jtera.v8.i1.2022.165-174

Keywords


artificial intelligence; Convolutional Neural Network; pepaya; penyakit antraknosa

Full Text:

  PDF

References


P2PTM Kemenkes RI, “Khasiat Buah Pepaya - Direktorat P2PTM,†2019. http://p2ptm.kemkes.go.id/artikel-sehat/khasiat-buah-pepaya (accessed Oct. 18, 2022).

N. L. P. Indriyani, Affandi, and D. Sunarwati, Pengelolaan Kebun Pepaya Sehat Penyusun. Balai Penelitian Tanaman Buah Tropika, 2008.

S. Wiyono and S. Manuwoto, Penyakit Antraknosa pada Pepaya dan Potensi Pengendaliannya, 1st ed. Pusat Kajian Buah Tropika, 2008.

E. Rasywir, R. Sinaga, and Y. Pratama, “Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN),†Paradigma - Jurnal Informatika dan Komputer, vol. 22, no. 2, pp. 117–123, 2020.

F. A. Irawan, M. Sudarma, and D. C. Khrisne, “Rancang Bangun Aplikasi Identifikasi Penyakit Tanaman Pepaya California Berbasis Android Menggunakan Metode CNN Model Arsitektur Squeezenet,†Jurnal Spektrum, vol. 8, no. 2, pp. 18–27, 2021.

R. Venkatesan and B. Li, Convolutional Neural Networks in Visual Computing. London: Taylor & Francis Group, 2018.

M. Sholihin, M. R. Zamroni, and Burhanuddin, “Identifikasi Kesegaran Ikan Berdasarkan Citra Insang Dengan Metode Convolution Neural Network,†Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 3, pp. 1352–1360, 2021.

A. Rosebrock, Deep Learning for Computer Vision with Python Starter Bundle 1st Edition (1.1.0), 1st Edition (1.1.0). pyimagesearch, 2017.

C. C. Aggarwal, Neural Networks and Deep Learning. Yorktown Heights, NY, USA: Springer Nature Switzerland AG, 2018.

S. S. Sundari, A. Sugiharto, and R. Nursamsi, “Deteksi Penyakit Antraknosa pada Daun Pepaya California Berdasarkan Segmentasi K-Means Clustering dengan Menggunakan Metode Klasifikasi Support Vector Machine,†Jurnal Sistem Informasi Dan Teknologi Informasi, vol. 9, no. 2, pp. 164–173, 2020.

D. P. Andini, Y. G. Sugiarta, T. Y. Putro, and R. D. Setiawan, “Sistem Presensi Kelas Berbasis Pengenalan Wajah Menggunakan Metode CNN,†JTERA (Jurnal Teknologi Rekayasa), vol. 7, no. 2, pp. 315–322, Dec. 2022.

R. W. T. Hartono et al., “E-Pindai: Pengolahan Citra Wajah Pendeteksi Penggunaan Masker dengan Metode Convolution Neural Network,†JTERA (Jurnal Teknologi Rekayasa), vol. 7, no. 1, pp. 17–24, Jun. 2022.

G. Sugiarta, D. P. Andini, and S. Hidayatullah, “Ekstraksi Informasi/Data e-KTP Menggunakan Optical Character Recognition Convolutional Neural Network,†JTERA (Jurnal Teknologi Rekayasa), vol. 6, no. 1, pp. 1–6, Jun. 2021.

A. Asrianda, H. A. K. Aidilof, and Y. Pangestu, “Machine Learning for Detection of Palm Oil Leaf Disease Visually using Convolutional Neural Network Algorithm,†Journal of Informatics and Telecommunication Engineering, vol. 4, no. 2, pp. 286–293, Jan. 2021.

A. A. A. Paliwang, M. R. D. Septian, M. Cahyanti, and E. R. Swedia, “Klasifikasi Penyakit Tanaman Apel Dari Citra Daun Dengan Convolutional Neural Network,†Sebatik, vol. 24, no. 2, pp. 207–217, 2020.

A. M. Lesmana, R. P. Fadhillah, and C. Rozikin, “Identifikasi Penyakit pada Citra Daun Kentang Menggunakan Convolutional Neural Network (CNN),†Jurnal Sains dan Informatika, vol. 8, no. 1, pp. 21–30, Jun. 2022.

U. Ungkawa and G. Al Hakim, “Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3,†ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 3, p. 731, Jul. 2023.




DOI: http://dx.doi.org/10.31544/jtera.v8.i1.2022.165-174
Abstract 425 View    PDF viewed = 183 View

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 JTERA (Jurnal Teknologi Rekayasa)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright @2016-2023 JTERA (Jurnal Teknologi Rekayasa) p-ISSN 2548-737X e-ISSN 2548-8678.

  Lisensi Creative Commons

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

JTERA Editorial Office:
Politeknik Sukabumi
Jl. Babakan Sirna 25, Sukabumi 43132, West Java, Indonesia
Phone/Fax: +62 266215417
Whatsapp: +62 81809214709
Website: https://jtera.polteksmi.ac.id
E-mail: jtera@polteksmi.ac.id