Identifikasi Penyakit Daun Jeruk Siam Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur EfficientNet
DOI:
https://doi.org/10.33379/gtech.v8i2.4120Keywords:
CNN, EfficientNet, Identifikasi, Penyakit Daun Jeruk SiamAbstract
Jeruk siam menjadi salah satu komoditas hortikultura yang memegang peranan utama dalam sektor pertanian Indonesia dengan jumlah produksi yang mencapai 2 juta ton setiap tahunnya. Namun, produksi jeruk siam rentan terhadap serangan hama dan penyakit, terutama pada bagian daun. Penyakit yang umum terjadi termasuk Blackspot Leaf, Canker Leaf, Greening Leaf, Powdery Mildew, dan Citrus Leafminer. Pada umunya identifikasi penyakit pada tanaman jeruk dilakukan secara manual sehingga penentuan penyakit cenderung subyektif. Oleh karena itu, diperlukan solusi otomatis dalam mendeteksi penyakit pada daun jeruk. Tujuan penelitian yaitu untuk mengidentifikasi penyakit yang menyerang daun jeruk menggunakan metode deep learning yaitu CNN dengan arsitektur EfficientNetB3. Dataset yang digunakan adalah citra penyakit daun jeruk yang diambil langsung dari kebun jeruk yang dibagi menjadi 6 kelas seperti pada penyakit yang disebutkan di atas. Hasil penelitian menggunakan skenario epoch 10 dengan optimizer Adam memperoleh hasil akurasi terbaik yaitu 0,98 (98%).
References
Abdullah, S. H., Magdalena, R., & Fu’adah, R. Y. N. (2022). Klasifikasi Diabetic Retinopathy Berbasis Pengolahan Citra Fundus Dan Deep Learning. Journal of Electrical and System Control Engineering, 5(2), 84–90. https://doi.org/10.31289/jesce.v5i2.5659
Aluhariandu, V. E., Tariningsih, D., Fajar, D. P., & Lestari, K. (2016). Analisis USAhatani Jeruk Siam Dan Faktor – Faktor Yang Memepengaruhi Penerimaan Petani (Studi Kasus Di Desa Bayung Gede Kecamatan Kintamani Kabupaten Bangli). Agrimeta, 6(12), 90058. https://www.neliti.com/publications/90058/
Badan Pusat Statistik Indonesia. (2023). STATISTIK INDONESIA 2023. In D. D. Statistik (Ed.), Badan Pusat Statistik (Vol. 1101001). Badan Pusat Statistik. https://www.bps.go.id/publication/2020/04/29/e9011b3155d45d70823c141f/statistik-indonesia-2020.html
Berk, Z. (2016). Chapter 5 - Diseases and pests. In Z. Berk (Ed.), Citrus Fruit Processing (pp. 83–93). Academic Press. https://doi.org/https://doi.org/10.1016/B978-0-12-803133-9.00005-9
Dpi, N. S. W. (2022). primefact Citrus leaf miner. 126(March).
Febrinanto, F. G., Dewi, C., & Wiratno, A. T. (2018). Implementasi Algoritme K-Means Sebagai Metode Segmentasi Citra Dalam Identifikasi Penyakit Daun Jeruk. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(11), 5375–5383.
Huang, Z., Jiang, X., Huang, S., Qin, S., & Yang, S. (2023). An efficient convolutional neural network-based diagnosis system for citrus fruit diseases. Frontiers in Genetics, 14(August), 1–11. https://doi.org/10.3389/fgene.2023.1253934
Idhom, M., Prasetya, D. A., Riyantoko, P. A., Fahrudin, T. M., & Sari, A. P. (2023). Pneumonia Classification Utilizing VGG-16 Architecture and Convolutional Neural Network Algorithm for Imbalanced Datasets. TIERS Information Technology Journal, 4(1), 73–82. https://doi.org/10.38043/tiers.v4i1.4380
Karno, A., Hastomo, W., Wardhana, I., Sutarno, & Arif, D. (2022). 29 Jenis Penyakit Tanaman Menggunakan Deep Learning EfficientNetB3 Identifikasi. Insearch: Information System Research Journal, 2(2), 35–45.
Kristiandi, K., Fertiasari, R., Yunita, N. F., Astuti, T. W., & Sari, D. (2021). Analisis Produktivitas Dan Luas Tanaman Jeruk Siam Sambas Tahun 2015-2020. Mimbar Agribisnis: Jurnal Pemikiran Masyarakat Ilmiah Berwawasan Agribisnis, 7(2), 1747. https://doi.org/10.25157/ma.v7i2.5607
Kurniawati, D., Wulanningrum, R., & Sahertian, J. (2023). Perancangan Sistem Deteksi Penyakit Daun Jeruk Siam. 7, 1241–1247.
Ladaniya, M. (2023). Chapter 4 - Preharvest factors. In M. Ladaniya (Ed.), Citrus Fruit (Second Edition) (Second Edi, pp. 113–144). Academic Press. https://doi.org/https://doi.org/10.1016/B978-0-323-99306-7.00010-4
Lestari, F. R., Sari, J. Y., Sutardi, Purwanti, I., & Purnama, N. (2018). Deteksi Penyakit Tanaman Jeruk Siam Berdasarkan Citra Daun Menggunakan Segmentasi Warna RGB-HSV. Teknologi Terapan Berbasis Kearifan Lokal (Snt2bkl), December, 276–283.
Puspito, M. A., Hidayat, N., & Suprapto. (2018). Sistem Pendukung Keputusan Diagnosa Penyakit Tanaman Jeruk Menggunakan Metode Naive Bayes Classifer. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(7), 1–6.
Riswandi, R., Jamiah, R., Mardhatillah, N., & Hamid, H. P. (2021). Klasifikasi Penyakit Pada Citra Daun Jeruk Menggunakan Arsitektur MobileNet berbasis Mobile Platform. Jurnal Fokus Elektroda : Energi Listrik, Telekomunikasi, Komputer, Elektronika Dan Kendali), 6(4), 212. https://doi.org/10.33772/jfe.v6i4.19113
Riyantoko, P. A., Sugiarto, & Hindrayani, K. M. (2021). Facial Emotion Detection Using Haar-Cascade Classifier and Convolutional Neural Networks. Journal of Physics: Conference Series, 1844(1). https://doi.org/10.1088/1742-6596/1844/1/012004
Setiadi, A., Gafaruddin, A., & Slamet, A. (2023). Faktor-Faktor yang Mempengaruhi Produksi Usahatani Jeruk Manis Siam Madu (Citrus sinensis nobilis) di Desa Tanea Kecamatan Konda Kabupaten Konawe Selatan. Jurnal Ilmiah Membangun Desa Dan Pertanian, 8(3), 88–95. https://doi.org/10.37149/jimdp.v8i3.79
Sitanggang, K. D. (2021). KULTUR ANTERA JERUK (I). CV Literasi Nusantara Abadi.
Swasono, D. I., Wijaya, M. A. R., & Hidayat, M. A. (2023). Klasifikasi Penyakit pada Citra Buah Jeruk Menggunakan Convolutional Neural Networks (CNN) dengan Arsitektur Alexnet. INFORMAL: Informatics Journal, 8(1), 68. https://doi.org/10.19184/isj.v8i1.38563
Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. 36th International Conference on Machine Learning, ICML 2019, 2019-June, 10691–10700.
Vashisth, T., & Kadyampakeni, D. (2020). Chapter 49 - Diagnosis and management of nutrient constraints in citrus. In A. K. Srivastava & C. Hu (Eds.), Fruit Crops (pp. 723–737). Elsevier. https://doi.org/https://doi.org/10.1016/B978-0-12-818732-6.00049-6
Wijaya Kusuma, W., Rizal Isnanto, R., Fauzi, A., & Korespondensi, P. (2023). ANALISIS PERBANDINGAN MODEL CNN VGG16 DAN DENSENET121 MENGGUNAKAN KERANGKA KERJA TENSORFLOW UNTUK DETEKSI JENIS HEWAN. Jurnal Teknik Komputer, 1(4), 141–147. https://doi.org/10.14710/jtk.v1i4.37009
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Burhan Syarif Acarya, Amri Muhaimin, Kartika Maulida Hindrayani
This work is licensed under a Creative Commons Attribution 4.0 International License.
