Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN)

Rendra Soekarta; Nirwana Nurdjan; Ardian Syah

doi:10.33506/insect.v8i2.2356

Authors

Rendra Soekarta Universitas Muhammadiyah Sorong
Nirwana Nurdjan Universitas Muhammadiyah Sorong
Ardian Syah Universitas Muhammadiyah Sorong

DOI:

https://doi.org/10.33506/insect.v8i2.2356

Keywords:

Klasifikasi, Tomat, Convolutional Neural Network, VGG 16

Abstract

Tanaman tomat merupakan tanaman yang banyak di tanam oleh petani dan merupakan salah satu kebutuhan bahan makanan yang sering dikonsumsi oleh masyarakat. Salah satu masalah dalam budidaya tanaman tomat yaitu penyakit yang sering menyerang tanaman tomat mulai dari daun, batang ,hingga pada buah tomat. Dan tidak sedikit dari petani yang melakukan kesalahan saat mengatasi permasalahan tersebut. Tujuan penelitian ini yaitu membangun sistem yang dapat digunakan untuk melakukan klasifikasi penyekit tanaman tomat. Penyakit yang digunakan terdiri dari 10 jenis yaitu, Bacterial spot, Early blight, Late blight, Leaf mold, Septoria leaf spot, Spider mite, Target spot, Mosaic virus, Yellow leaf virus. Dengan perkembangan teknologi pada saat ini sekiranya dapat membantu petani untuk meminimalisir kesalahan dalam menentukan penyakit pada tanaman tomat, yaitu dengan pendekatan kecerdasan buatan (Artificial Intelligence) untuk mengklasifikasi penyakit tanaman tomat. Hasil yang didapatkan berdasarkan 10 class jenis penyakit dengan Dataset yang digunakan yaitu sebanyak 10519 data train dan 1100 data validation yaitu accuracy yang didapatkan 98% train accuracy dan 82 % validation accuracy

References

Densenet121 Berbasis Transfer Learning,” J. Ilm. Ilmu Komput., vol. 8, no. 1, pp. 49–52, 2022, doi: 10.35329/jiik.v8i1.212.

E. Rasywir, R. Sinaga, and Y. Pratama, “Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN),” Paradig. - J. Komput. dan Inform., vol. 22, no. 2, pp. 117–123, 2020, doi: 10.31294/p.v22i2.8907.

F. Fitriani, “Klasifikasi Jenis Bunga Dengan Menggunakan Convolutional Neural Network (Cnn),” Tek. Teknol. Inf. dan Multimed., vol. 2, no. 2, pp. 64–68, 2021, doi: 10.46764/teknimedia.v2i2.39.

B. Yanto, L. Fimawahib, A. Supriyanto, B. H. Hayadi, and R. R. Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” INOVTEK Polbeng - Seri Inform., vol. 6, no. 2, p. 259, 2021, doi: 10.35314/isi.v6i2.2104.

S. Muhammad and A. T. Wibowo, “Klasifikasi Tanaman Aglaonema Berdasarkan Citra Daun Menggunakan Metode Convolutional Neural Network ( Cnn ),” vol. 8, no. 5, pp. 10621–10636, 2021.

Intyanto and W. Gramandha, “Klasifikasi Citra Bunga dengan Menggunakan Deep Learning : CNN ( Convolution Neural Network ),” J. Arus Elektro Indones., vol. 7 (3), pp. 80–83, 2021.

M. F. Hasa, I. Amri, and M. Ackswan, “Sistem Pengelolaan Nilai Siswa Berbasis Web Di SMK Negeri 1 Kota Sorong,” Insect (Informatics …, vol. 6, no. 2, pp. 19–26, 2021, [Online]. Available: http://ejournal.um-sorong.ac.id/index.php/insect/article/viewFile/1660/904.