Implementasi Deep Learning Untuk Pengenalan Penyakit Antraks Pada Buah Cabai
DOI:
https://doi.org/10.29407/inotek.v8i1.4918Abstract
Penelitian ini mengimplementasikan Deep Learning, khususnya Convolutional Neural Network (CNN), untuk mendeteksi penyakit antraks pada buah cabai. CNN digunakan untuk mengklasifikasikan citra cabai terinfeksi dan tidak terinfeksi. Data gambar dikumpulkan dan diproses menggunakan TensorFlow's ImageDataGenerator untuk normalisasi, resize, dan pembagian batch. Grafik akurasi pada data pelatihan dan validasi dipantau selama proses pelatihan, sementara akurasi pada data pengujian dievaluasi setelahnya. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengendalian penyakit antraks pada tanaman cabai, meningkatkan hasil panen, dan mengurangi kegagalan panen yang disebabkan oleh penyakit. Implementasi pengenalan penyakit cabai menggunakan Convolutional Neural Network (CNN) menunjukkan bahwa CNN berhasil mengklasifikasikan penyakit Antraks pada cabai. Model mencapai akurasi validasi terbaik sebesar 90% pada epoch ke-23, berdasarkan grafik Training and Validation Loss serta Training and Validation Accuracy.
Keywords:
Convolutional Neural Network (CNN), Antraks, Cabai##plugins.themes.default.displayStats.downloads##
References
Z. A. Noli dan H. V. Labukti, “Pengaruh Ekstrak Paku Resam (Gleichenia linearis) sebagai Biostimulan terhadap Pertumbuhan dan Hasil Cabai Keriting (Capsicum annum L.) Kultivar Kopay,” Agro Bali Agric. J., vol. 5, no. 3, hal. 492–497, 2022, doi: 10.37637/ab.v5i3.999.
N. M. Yasen, S. Rifka, R. Vitria, dan Y. Yulindon, “Pemanfaatan Yolo Untuk Deteksi Hama Dan Penyakit Pada Daun Cabai Menggunakan Metode Deep Learning,” Elektron J. Ilm., vol. 15, hal. 63–71, 2023, doi: 10.30630/eji.0.0.397.
D. Damaiyanti, R. Yulianty, A. Marzuki, S. Kasim, dan H. Rante, “ANALISIS RESIDU PESTISIDA KLORPIRIFOS PADA CABAI (Capsicum sp.) DARI DESA BUNGIN KECAMATAN BUNGIN KABUPATEN ENREKANG,” Maj. Farm. dan Farmakol., vol. 23, no. 3, hal. 106–108, 2020, doi: 10.20956/mff.v23i3.9401.
N. Prihatiningsih, H. A. Djatmiko, dan E. Erminawati, “Komponen epidemi penyakit antraknosa pada tanaman cabai di kecamatan baturaden kabupaten Banyumas,” J. Agro, vol. 7, no. 2, hal. 203–212, 2020, doi: 10.15575/8000.
R. Z. Rahman, G. -, dan T. N. Padilah, “Sistem Pakar Hama Dan Penyakit Cabai Berbasis Teorema Bayes (Studi Kasus : Dinas Pertanian Karawang),” JUTEKIN (Jurnal Tek. Inform., vol. 9, no. 1, 2021, doi: 10.51530/jutekin.v9i1.468.
I. Jamaleddyn, R. El Ayachi, dan M. Biniz, “Automated Arabic News Classification using the Convolutional Neural Network,” Int. J. Electr. Eng. Informatics, vol. 15, no. 2, hal. 277–290, 2023, doi: 10.15676/ijeei.2023.15.2.7.
M. A. Rahman, M. R. Islam, M. A. H. Rafath, dan S. Mhejabin, “CNN Based Covid-19 Detection from Image Processing,” J. ICT Res. Appl., vol. 17, no. 1, hal. 99–113, 2023, doi: 10.5614/itbj.ict.res.appl.2023.17.1.7.
I. K. G. Darma Putra, I. P. D. Jayantha Putra, R. Fauzi, dan D. Witarsyah, “Classification of Tomato Plants Diseases Using Convolutional Neural Network,” Int. J. Adv. Sci. Eng. Inf. Technol., vol. 10, no. 5, hal. 1821–1827, 2020, doi: 10.18517/ijaseit.10.5.11665.
D. Avianto dan I. E. Handayani, “Klasifikasi Penyakit Antraknosa Pada Cabai Merah Teropong ”Inko Hot” Dengan Metode Convolutional Neural Network,” SINTECH (Science Inf. Technol. J., vol. 6, no. 2, hal. 76–88, 2023, doi: 10.31598/sintechjournal.v6i2.1377.
R. Rosalina dan A. Wijaya, “Pendeteksian Penyakit pada Daun Cabai dengan Menggunakan Metode Deep Learning,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 3, hal. 452–461, 2020, doi: 10.28932/jutisi.v6i3.2857.
Z. E. Fitri, U. Nuhanatika, A. Madjid, dan A. M. N. Imron, “Penentuan Tingkat Kematangan Cabe Rawit (Capsicum frutescens L.) Berdasarkan Gray Level Co-Occurrence Matrix,” J. Teknol. Inf. dan Terap., vol. 7, no. 1, hal. 1–5, 2020, doi: 10.25047/jtit.v7i1.121.
D. S. Anggraeni, A. Widayana, P. D. Rahayu, dan C. Rozikin, “Metode Algoritma Convolutional Neural Network pada Klasifikasi Penyakit Tanaman Cabai,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 7, no. 1, hal. 73, 2022, doi: 10.30998/string.v7i1.13304.
K. N. Sami, Z. M. A. Amin, dan R. Hassan, “Waste Management Using Machine Learning and Deep Learning Algorithms,” Int. J. Perceptive Cogn. Comput., vol. 6, no. 2, hal. 97–106, 2020, doi: 10.31436/ijpcc.v6i2.165.
N. D. Miranda, L. Novamizanti, dan S. Rizal, “Convolutional Neural Network Pada Klasifikasi Sidik Jari Menggunakan Resnet-50,” J. Tek. Inform., vol. 1, no. 2, hal. 61–68, 2020, doi: 10.20884/1.jutif.2020.1.2.18.
F. Ertam, “Data classification with deep learning using tensorflow,” 2nd Int. Conf. Comput. Sci. Eng. UBMK 2017, hal. 755–758, 2017, doi: 10.1109/UBMK.2017.8093521.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Bella Nurbuana Tri Cahya Ningrum, Umi Mahdiyah, Daniel Swanjaya
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:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment 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 acknowledgment 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.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
