Keywords
Pertanian
klasifikasi citra
NASNet Mobile
penyakit daun tomat,
How to Cite
Abstract
Pertanian adalah sektor penting yang menyediakan pangan bagi masyarakat. Khususnya, pada tanaman tomat, sering kali terganggu oleh berbagai penyakit daun yang dapat menurunkan hasil panen dan menyebabkan kerugian bagi petani. Penelitian ini bertujuan mengembangkan model identifikasi citra daun tomat menggunakan arsitektur NASNet Mobile untuk mengidentifikasi penyakit secara otomatis. Dataset terdiri dari empat kelas, yaitu Healty, Leaf Mold, Septoria Leaf Spot, dan Tomato Yellow Leaf Spot. Model dilatih menggunakan model NASNet Mobile dan dievaluasi menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil menunjukkan bahwa model NASNet Mobile mencapai akurasi sebesar 69,97% dengan macro average f1-score sebesar 0,67%. Penelitian ini memberikan kontribusi awal dalam pemanfaatan deep learning untuk pertanian presisi, khususnya dalam mendukung pengambilan keputusan petani guna mengurangi risiko kerugian hasil panen akibat keterlambatan penanganan penyakit.
References
[1] D. H. Saputry, A. Daryanto, M. R. A. Istiqlal, and S. Widiyanto, “Potensi Hasil dan Penampilan Hortikultura Tomat Generasi F6 di Dataran Rendah,” J. Hortik. Indones., vol. 13, no. 1, pp. 14–22, 2022, doi: 10.29244/jhi.13.1.14-22.
[2] N. Fadhilah, Irmawanty, Nurdiyanti, M. Wajdi, and R. Thahir, “Pemanfaatan Sumberdaya Lokal Berupa Pengolahan Tomat Menjadi Saos Tomat di Desa Tompobulu Kecamatan Rumbia,” PATIKALA J. Pengabdi. Kpd. Masy., vol. 1, no. 4, pp. 272–276, 2022, doi: https://doi.org/10.51574/patikala.v1i4.434.
[3] R. Erwinson, Lusmaniar, and S. Jali, “Pengaruh Pemberian Pupuk Abu Boiler Tandan Kelapa Sawit terhadapKomponen Hasil Tanaman Tomat (Lycopersicum esculentum Mill),” J. Ilmu Pertan. Agronitas, vol. 5, no. 2, pp. 1–7, 2023, doi: https://doi.org/10.51517/ags.v5i2.274
[4] M. J. Zebua, T. K. Suharsi, and M. Syukur, “Studi Karakter Fisik dan Fisiologi Buah dan Benih Tomat (Solanum lycopersicum L.) Tora IPB,” Bul. Agrohorti, vol. 7, no. 1, pp. 69–75, 2019, doi: 10.29244/agrob.v7i1.24418.
[5] P. Tanaman, R. Pada, B. Kedelai, M. Serangga, B. Di, and L. Terdampak, “Jurnal Agrotek Tropika,” PERTUMBUHAN DAN PRODUKSI PADI Var. MAPAN 05 (Oryza sativa L.) PADA BEBERAPA TARAF KADAR AIR YANG DIKONTROL OLEH MIKRO- KONTROLER ARDUINO UNO, vol. 12, no. 1, pp. 29–34, 2024, doi: http://dx.doi.org/10.23960/jat.v12i1.8685 .
[6] A. W. Putri, “Implementasi Artificial Neural Network (ANN) Backpropagation Untuk Klasifikasi Jenis Penyakit Pada Daun Tanaman Tomat,” MATHunesa J. Ilm. Mat., vol. 9, no. 2, pp. 344–350, 2021, doi: 10.26740/mathunesa.v9n2.p344-350.
[7] M. S. A. M. Al-gaashani, F. Shang, M. S. A. Muthanna, M. Khayyat, and A. A. Abd El-Latif, “Tomato leaf disease classification by exploiting transfer learning and feature concatenation,” IET Image Process., vol. 16, no. 3, pp. 913–925, 2022, doi: 10.1049/ipr2.12397.
[8] M. S. A. M. Al-gaashani, F. Shang, M. S. A. Muthanna, M. Khayyat, and A. A. Abd El-Latif, “Tomato leaf disease classification by exploiting transfer learning and feature concatenation,” IET Image Process., vol. 16, no. 3, pp. 913–925, 2022, doi: 10.1049/ipr2.12397.
[9] M. H. Najim, S. K. Abdulateef, and A. H. Alasadi, “Early detection of tomato leaf diseases based on deep learning techniques,” IAES Int. J. Artif. Intell., vol. 13, no. 1, pp. 509–515, 2024, doi: 10.11591/ijai.v13.i1.pp509-515.
[10] A. KHOTIBUL UMAM, "Perbandingan Metode ARIMA dan LSTM pada Prediksi Jumlah Pengunjung Perpustakaan," MIND (Multimedia Artificial Intelligent Networking Database) Journal, vol. 8, no. 2, pp. 119-129, 2023, doi: https://doi.org/10.26760/mindjournal.v8i2.119-129.
[11] A. A. RAHMAN, S. D. AGUSTIN, N. IBRAHIM, and N. C. KUMALASARI, “Perbandingan Algoritma YOLOv4 dan Scaled YOLOv4 untuk Deteksi Objek pada Citra Termal,” MIND J., vol. 7, no. 1, pp. 61–71, 2022, doi: 10.26760/mindjournal.v7i1.61-71.
[12] R. M. Taufiq, Sunanto, Y. Rizki, and M. R. A. Pratama, “Simulasi Deteksi Golongan Kendaraan pada Gerbang Tol Menggunakan YOLOv4,” J. CoSciTech (Computer Sci. Inf. Technol., vol. 3, no. 2, pp. 199–206, 2022, doi: 10.37859/coscitech.v3i2.3928.
[13] F. Ilham and N. Rochmawati, “Transliterasi Aksara Jawa Tulisan Tangan ke Tulisan Latin Menggunakan CNN,” J. Informatics Comput. Sci., vol. 1, no. 04, pp. 200–208, 2020, doi: 10.26740/jinacs.v1n04.p200-208.
[14] O. V. Putra, M. Z. Mustaqim, and D. Muriatmoko, “Transfer Learning untuk Klasifikasi Penyakit dan Hama Padi Menggunakan MobileNetV2,” Techno.Com, vol. 22, no. 3, pp. 562–575, 2023, doi: 10.33633/tc.v22i3.8516.
[15] S. E. Nassar, I. Yasser, H. M. Amer, and M. A. Mohamed, “A robust MRI-based brain tumor classification via a hybrid deep learning technique,” J. Supercomput., vol. 80, no. 2, pp. 2403–2427, 2024, doi: 10.1007/s11227-023-05549-w.
[16] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021, doi: http://dx.doi.org/10.30645/j-sakti.v5i2.369.
[17] R. G. Lopes, D. Yin, B. Poole, J. Gilmer, and E. D. Cubuk, “Improving Robustness Without Sacrificing Accuracy with Patch Gaussian Augmentation,” pp. 1–18, 2019, doi: https://doi.org/10.48550/arXiv.1906.02611
[18] S. K. Venu and S. Ravula, “Evaluation of deep convolutional generative adversarial networks for data augmentation of chest x-ray images,” Futur. Internet, vol. 13, no. 1, pp. 1–13, 2021, doi: 10.3390/fi13010008.
[19] L. Nanni, M. Paci, S. Brahnam, and A. Lumini, “Feature transforms for image data augmentation,” Neural Comput. Appl., vol. 34, no. 24, pp. 22345–22356, 2022, doi: 10.1007/s00521-022-07645-z.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Annisa' Nur Kamilah, Umi Mahdiyah, Resty Wulanningrum