Identifikasi Penyakit Tanaman Bawang Merah Menggunakan Faster R-CNN dan Arsitektur ResNet50

Authors

  • Michael Ilham Kresnawan Universitas Nusantara PGRI Kediri Indonesia
  • Danar Putra Pamungkas Universitas Nusantara PGRI Kediri Indonesia
  • Umi Mahdiyah Universitas Nusantara PGRI Kediri Indonesia

DOI:

https://doi.org/10.29407/inotek.v8i1.4947

Abstract

Bawang merah (Allium ascalonicum) merupakan salah satu komoditas yang memiliki peran cukup penting untuk masyarakat Indonesia sebagai bahan bumbu pelezat suatu masakan, kandungan gizinya dapat digunakansebagai pengobatan herbal, dan memiliki peran dalam hal pertumbuhan ekonomi bangsa. Namun, dalam proses pembudidayaan bawang merah memiliki kendala bagi petani yang mengalami kegagalan panen karena kesulitan dalam menangani penyakit yang menyerang bawang merah. Penelitian ini bertujuan untuk menerapkan metode Faster R-CNN dan arsitektur ResNet50 dalam mengidentifikasi penyakit pada tanaman bawang merah. Alur proses penelitian ini terdiri dari pengumpulan dataset, preprocessing data, implementasi program, dan evaluasi. Proses preprocessing data dilakukan dalam pelatihan, termasuk anotasi dan pelabelan data. Model dilatih dengan beberapa skenario, dimana skenario 1 menggunakan ukuran gambar 600x600 dan skenario 2 menggunakan ukuran gambar 400x400. Hasil dari pengujian menunjukan bahwa skenario terbaik adalah dengan ukuran gambar 600x600 yang mencapai akurasi sebesar 65%.

Keywords:

Bawang Merah, Pertanian, Faster R-CNN

##plugins.themes.default.displayStats.downloads##

##plugins.themes.default.displayStats.noStats##

References

H. Triwidodo dan M. H. Tanjung, “Hama Penyakit Utama Tanaman Bawang Merah (Allium Ascalonicum) dan Tindakan Pengendalian di Brebes, Jawa Tengah,” Agrovigor J. Agroekoteknologi, vol. 13, no. 2, hal. 149–154, 2020, doi: 10.21107/agrovigor.v13i2.7131.

M. Qamal, F. FNU, M. Bengi, dan M. FNU, “Diagnosa Penyakit Bawang Merah Dengan Metode Forward Chaining Dan Backward Chaining,” J. Tika, vol. 7, no. 1, hal. 12–18, 2022, doi: 10.51179/tika.v7i1.1002.

M. D. Nasution, A.-K. Al-Khowarizmi, dan H. Maulana, “Optimization of Faster R-CNN to Detect SNI Masks at Mandatory Mask Doors,” J. Informatics Telecommun. Eng., vol. 6, no. 2, hal. 602–611, 2023, doi: 10.31289/jite.v6i2.8128.

A. Zalvadila, “Klasifikasi Penyakit Tanaman Bawang Merah Menggunakan Metode SVM dan CNN,” J. Inform. J. Pengemb. IT, vol. 8, no. 3, hal. 255–260, 2023, doi: 10.30591/jpit.v8i3.5341.

- Nurhikma, - Purnawansyah, H. Darwis, dan H. L, “K-Nearest Neighbor dan Convolutional Neural Network pada Klasifikasi Penyakit Tanaman Bawang Merah,” Techno.Com, vol. 22, no. 3, hal. 643–653, 2023, doi: 10.33633/tc.v22i3.8533.

J. Arfah, Purnawansyah, H. Darwis, dan R. Sastra, “Klasifikasi Penyakit Bawang Merah Menggunakan Naive Bayes dan CNN dengan Fitur GLCM,” Indones. J. Comput. Sci., vol. 12, no. 3, hal. 1231–1240, 2023, doi: 10.33022/ijcs.v12i3.3236.

D. R. Manalu, J. Sebayang, dan H. G. Manullang, “Klasifikasi Penyakit Bawang Merah Melalui Citra Daun Dengan Metode K-Means,” METHOMIKA J. Manaj. Inform. dan Komputerisasi Akunt., vol. 7, no. 1, hal. 150–157, 2023, doi: 10.46880/jmika.vol7no1.pp150-157.

Ayu Lestari, I. W. Sudarsana, dan D. Lusiyanti, “Identifikasi Penyakit Trotol pada Tanaman Bawang Merah (Allium ascalonicum L.) menggunakan Pengolahan Citra Digital dengan Metode Jarak,” J. Ilm. Mat. Dan Terap., vol. 20, no. 1, hal. 108–114, 2023, doi: 10.22487/2540766x.2023.v20.i1.15523.

Y. Rizki, R. Medikawati Taufiq, H. Mukhtar, dan D. Putri, “Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN,” IT J. Res. Dev., vol. 5, no. 2, hal. 215–225, 2021, doi: 10.25299/itjrd.2021.vol5(2).5831.

J. PARDEDE dan H. HARDIANSAH, “Deteksi Objek Kereta Api menggunakan Metode Faster R-CNN dengan Arsitektur VGG 16,” MIND J., vol. 7, no. 1, hal. 21–36, 2022, doi: 10.26760/mindjournal.v7i1.21-36.

Downloads

Published

2024-07-27

Issue

Vol. 8 No. 1 (2024): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2024

Section

Articles

License

Copyright (c) 2024 Michael Ilham Kresnawan, Danar Putra Pamungkas, Umi Mahdiyah

Creative Commons License

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:

  1. Copyright on any article is retained by the author(s).
  2. 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.
  3. 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.
  4. 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.
  5. The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License

How to Cite

Identifikasi Penyakit Tanaman Bawang Merah Menggunakan Faster R-CNN dan Arsitektur ResNet50. (2024). Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 8(1), 319-326. https://doi.org/10.29407/inotek.v8i1.4947