Analisa Performa Arsitektur Transfer Learning Untuk Mengindentifikasi Penyakit Daun Pada Tanaman Pangan

  • Tawang Sahro Winanto Universitas Singaperbangsa Karawang
  • Chaerur Rozikin Universitas Singaperbangsa Karawang
  • Asep Jamaludin Universitas Singaperbangsa Karawang
Keywords: Transfer Learning, CNN, Deep Learning, Image Classification, 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

Download data is not yet available.

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.

Published
2023-07-31
How to Cite
[1]
T. Winanto, C. Rozikin, and A. Jamaludin, “Analisa Performa Arsitektur Transfer Learning Untuk Mengindentifikasi Penyakit Daun Pada Tanaman Pangan”, JAIC, vol. 7, no. 1, pp. 74-87, Jul. 2023.
Section
Articles