Keywords
Klasifikasi
CNN
Xception
How to Cite
Abstract
Daun bawang (Allium fistulosum) merupakan komoditas penting dalam pertanian, namun produktivitasnya sering terhambat oleh penyakit. Deteksi dini penyakit daun bawang sangat penting untuk mengurangi dampak negatifnya. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) arsitektur Xception untuk klasifikasi penyakit daun bawang. Data dikumpulkan, model dilatih dengan parameter seperti batch size 16, epoch 100, dropout 0,2, learning rate 0,00001, dan optimizer Adam. Hasil pelatihan menunjukkan akurasi training 100% dan validasi 95%. Evaluasi dengan confusion matrix menunjukkan akurasi 100% pada data uji. Model Xception terbukti efektif dalam klasifikasi penyakit daun bawang merah, dengan akurasi tinggi dan kemampuan generalisasi yang baik. Hasil ini menunjukkan potensi penerapan AI dalam meningkatkan produktivitas pertanian melalui deteksi dini penyakit tanaman.
References
M. I. Wahid, A. Lawi, dan A. M. A. Siddik, “Perbandingan Kinerja Model Ensembled Transfer Learning Pada Klasifikasi Penyakit Daun Tomat,” in Seminar Nasional Teknik Elektro dan Informatika (SNTEI), 2023, hal. 286–291.
F. F. Masaugi, F. Yanto, E. Budianita, S. Sanjaya, dan F. Syafria, “Deep Learning Menggunakan Algoritma Xception dan Augmentasi Flip Pada Klasifikasi Kematangan Sawit,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 6, hal. 2918–2927, 2024.
M. T. A. S. Ahmad dan B. Sugiarto, “Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Ikan Cupang Berbasis Mobile,” Digit. Transform. Technol., vol. 3, no. 2, hal. 792–803, 2023.
S. Sriyati, A. Setyanto, dan E. E. Luthfi, “Literature Review: Pengenalan Wajah Menggunakan Algoritma Convolutional Neural Network,” J. Teknol. Inf. Dan Komun., vol. 8, no. 2, 2020.
N. D. Girsang, “Literature study of convolutional neural network algorithm for batik classification,” Brill. Res. Artif. Intell., vol. 1, no. 1, hal. 1–7, 2021.
J. Lu, L. Tan, dan H. Jiang, “Review on convolutional neural network (CNN) applied to plant leaf disease classification,” Agriculture, vol. 11, no. 8, hal. 707, 2021.
J. Hang, D. Zhang, P. Chen, J. Zhang, dan B. Wang, “Classification of plant leaf diseases based on improved convolutional neural network,” Sensors, vol. 19, no. 19, hal. 4161, 2019.
R. Mawarni, R. Wulanningrum, dan R. Helilintar, “Implementasi Metode CNN Pada Klasifikasi Penyakit Jagung,” in Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 2023, hal. 1256–1263.
F. Chollet, “Xception: Deep learning with depthwise separable convolutions,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, hal. 1251–1258.
L. Dang, P. Pang, dan J. Lee, “Depth-wise separable convolution neural network with residual connection for hyperspectral image classification,” Remote Sens., vol. 12, no. 20, hal. 3408, 2020.
R. Radikto, D. I. Mulyana, M. A. Rofik, dan M. O. Z. Zakaria, “Klasifikasi Kendaraan pada Jalan Raya menggunakan Algoritma Convolutional Neural Network (CNN),” J. Pendidik. Tambusai, vol. 6, no. 1, hal. 1668–1679, 2022.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2024 M. Farij Amrulloh, Danar Putra Pamungkas