Analisa Performa Arsitektur Transfer Learning Untuk Mengindentifikasi Penyakit Daun Pada Tanaman Pangan
Abstract
Salah satu faktor gagal panen ialah serangan penyakit yang menyerang pada bagian daun pada tanaman. Solusi dari permasalahan ini yaitu dengan melakukan identifikasi dini penyakit tanaman pangan dengan memanfaatkan image classification dan deep learning menggunakan objek citra daun untuk mempercepat proses identifikasi penyakit pada daun tanaman pangan sehingga tidak mempengaruhi hasil produksi tanaman. Banyak penelitian yang sudah membuat penelitian memanfaatkan Image classification untuk klasifikasi penyakit tanaman berdasarkan citra daun menggunakan metode Transfer Learning. Namun pada penelitian terdahulu hanya menggunakan satu dua atau tiga arsitetur dan hanya mengunakan satu dataset saja untuk proses pengujian yang membuat tidak terlalu memberikan jawaban arsitektur mana yang mempunyai performa terbaik untuk membuat model klasifikasi penyakit berdasarkan citra daun tanaman. oleh karena itu diperlukan adanya perbandingan performa dari tiap model arsitektur untuk mengetahu arsitektur mana yang terbaik. Maka dari itu penelitian ini, peneliti akan melakukan eksperimen menggunakan lima arsitektur dan tiga dataset yang berbeda dengan enam sekenario pelatihan model dan selanjutnya kami melakukan anlisis perbandingan kinerja tiap sekenario pelatihan model. Hasilnya Penelitian ini dilakukan analisa hasil pelatihan dan pengujian yang sudah dilakukan arsitektur VGG 16 memiliki performa yang paling baik dibandingkan dengan arsitektur lainnya yang diujikan.
Downloads
References
R. Darmawan.M.Eng., M. S. Dr. Ir. A. A. Susanti, and S. M. M. A. Supriyatna, “STATISTIK PERTANIAN,” jakarta, Nov. 2021. Accessed: Mar. 14, 2023. [Online]. Available: http://repository.pertanian.go.id/handle/123456789/16127
A. Walascha, A. Febriana, D. Saputri, D. Sri Nur Haryanti, R. Tsania, and Y. Sanjaya, “Prosiding SEMNAS BIO 2021 Review Artikel: Inventarisasi Jenis Penyakit yang Menyerang Daun Tanaman Padi (Oryza sativa L.),” Prosiding Seminar Nasional Biologi, 2021.
Abdul Jalil Rozaqi, M. R. Arief, and A. Sunyoto, “Implementation of Transfer Learning in the Convolutional Neural Network Algorithm for Identification of Potato Leaf Disease,” Procedia of Engineering and Life Science, vol. 1, no. 1, Apr. 2021, doi: 10.21070/pels.v1i1.820.
F. Sarasati, F. Septia Nugraha, U. Radiyah, and U. N. Mandiri, “Pemanfaatan Metode Deep Learning untuk Klasifikasi Penyakit pada Tanaman Jagung,” Jurnal Infortech, vol. 4, no. 2, p. 6, 2022, [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/infortech
Y. Altuntaş, Z. Cömert, and A. F. Kocamaz, “Identification of haploid and diploid maize seeds using convolutional neural networks and a transfer learning approach,” Comput Electron Agric, vol. 163, p. 104874, Aug. 2019, doi: 10.1016/j.compag.2019.104874.
L. D. Nguyen, D. Lin, Z. Lin, and J. Cao, “Deep CNNs for microscopic image classification by exploiting transfer learning and feature concatenation,” in 2018 IEEE International Symposium on Circuits and Systems (ISCAS), IEEE, 2018, pp. 1–5. doi: 10.1109/ISCAS.2018.8351550.
G. G. and A. P. J., “Identification of plant leaf diseases using a nine-layer deep convolutional neural network,” Computers & Electrical Engineering, vol. 76, pp. 323–338, Jun. 2019, doi: 10.1016/j.compeleceng.2019.04.011.
A. Demir, F. Yilmaz, and O. Kose, “Early detection of skin cancer using deep learning architectures: resnet-101 and inception-v3,” in 2019 Medical Technologies Congress (TIPTEKNO), IEEE, Oct. 2019, pp. 1–4. doi: 10.1109/TIPTEKNO47231.2019.8972045.
P. Dandwate, C. Shahane, V. Jagtap, and S. C. Karande, “Comparative study of Transformer and LSTM Network with attention mechanism on Image Captioning,” Mar. 2023, [Online]. Available: http://arxiv.org/abs/2303.02648
S. Saha, T. Chakraborty, R. Bin Sulaiman, and T. Paul, “A Comparative Analysis of CNN-Based Pretrained Models for the Detection and Prediction of Monkeypox,” 2023.
M. Manoj krishna, M. Neelima, M. Harshali, and M. Venu Gopala Rao, “Image classification using Deep learning,” International Journal of Engineering & Technology, vol. 7, no. 2.7, p. 614, Mar. 2018, doi: 10.14419/ijet.v7i2.7.10892.
S. Tammina, “Transfer learning using VGG-16 with Deep Convolutional Neural Network for Classifying Images,” International Journal of Scientific and Research Publications (IJSRP), vol. 9, no. 10, p. p9420, Oct. 2019, doi: 10.29322/IJSRP.9.10.2019.p9420.
M. Harahap, Em Manuel Laia, Lilis Suryani Sitanggang, Melda Sinaga, Daniel Franci Sihombing, and Amir Mahmud Husein, “Deteksi Penyakit Covid-19 Pada Citra X-Ray Dengan Pendekatan Convolutional Neural Network (CNN),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 70–77, Feb. 2022, doi: 10.29207/resti.v6i1.3373.
S. K. Addagarla, “Real Time Multi-Scale Facial Mask Detection and Classification Using Deep Transfer Learning Techniques,” International Journal of Advanced Trends in Computer Science and Engineering, vol. 9, no. 4, pp. 4402–4408, Aug. 2020, doi: 10.30534/ijatcse/2020/33942020.
Copyright (c) 2023 Tawang Sahro Winanto, Chaerur Rozikin, Asep Jamaludin
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) ) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
