Keywords
Klasifikasi hama dan penyakit
CNN
MobileNetV2
How to Cite
Abstract
Bawang merah merupakan salah satu komoditas yang masa tanamnya memiliki umur relatif singkat. Namun, selama masa pertumbuhan tanaman bawang merah sering mengalami serangan hama dan penyakit mengakibatkan masa pertubuhan terhambat. Penyebab kegagalan panen menjadi masalah dari ketidaktepatan dalam mengenali jenis hama dan penyakit. Penelitian ini bertujuan rancangan sistem untuk mengklasifikasi jenis hama dan penyakit pada tanaman bawang merah dengan menggunakan metode Convolutional Neural Network (CNN). Data hama dan penyakit bawang merah busuk bawang, jamur, kaper dan ulat dengan jumlah 305 yang diambil menggunakan kamera dan dilakukan resize, normalisasi, dan augmentasi, setelah melakukan pre-procrssing model CNN dilatih. Pada hasil evaluasi menggunakan confusion matrix mencapai nilai akurasi 95%. Hasil penelitian ini membuktikan metode CNN dengan arsitektur MobileNetV2 dapat digunakan secara efektif dalam klasifikasi bawang merah.
References
[1] Singgih Wibowo. (1994). Budi Daya Bawang. Penebar Swadaya. Dinas Perpustakaan Dan Kearsipan Provinsi Kepulauan Riau. https://dpk.kepriprov.go.id/opac/detail/zq72v
[2] Fikriah, F. K., Burhanis Sulthan, M., Mujahidah, N., & Khoirur Roziqin, M. (2022). Naïve Bayes untuk Klasifikasi Penyakit Daun Bawang Merah Berdasarkan Ekstraksi Fitur Gray Level Cooccurrence Matrix (GLCM). Jurnal Komtika (Komputasi Dan Informatika), 6(2), 133–141. https://doi.org/10.31603/komtika.v6i2.7925
[3] Ley Kharismatara, Z., & Maruf, A. (2020). Sistem Pakar Diagnosa Penyakit Pada Tanaman Bawang Dengan Menggunakan Certainty Factor. Information System Journal, 3(1), 25–29. https://doi.org/10.24076/infosjournal.2020v3i1.214
[4] Zalvadila, A. (2023). Klasifikasi Penyakit Tanaman Bawang Merah Menggunakan Metode SVM dan CNN. Jurnal Informatika: Jurnal Pengembangan IT, 8(3), 255–260. https://doi.org/10.30591/jpit.v8i3.5341
[5] Rijal, M., Yani, A. M., & Rahman, A. (2024). Deteksi Citra Daun untuk Klasifikasi Penyakit Padi menggunakan Pendekatan Deep Learning dengan Model CNN. Jurnal Teknologi Terpadu, 10(1), 56–62. https://doi.org/10.54914/jtt.v10i1.1224
[6] Manalu, D. R., Sebayang, J., & Manullang, H. G. (2023). Klasifikasi Penyakit Bawang Merah Melalui Citra Daun Dengan Metode K-Means. METHOMIKA Jurnal Manajemen Informatika Dan Komputerisasi Akuntansi, 7(1), 150–157. https://doi.org/10.46880/jmika.vol7no1.pp150-157
[7] Anam, F. S., Muttaqin, M. R., & Ramadhan, Y. R. (2023). Klasifikasi Penyakit Pada Daun dan Buah Jambu Menggunakan Convolutional Neural Network. JOINTECS (Journal of Information Technology and Computer Science), 8(3), 115. https://doi.org/10.31328/jointecs.v8i3.4823
[8] Rahmanita, E., Negara, Y. D. P., Kustiyahningsih, Y., Sasmeka, V., & Khotimah, B. K. (2023). Implementasi Metode Naïve Bayes dan Information Gain Untuk Klasifikasi Penyakit dan Hama Tanaman Jagung. Teknika, 12(3), 198–204. https://doi.org/10.34148/teknika.v12i3.684
[9] Eka Putra, W. S. (2016). Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101. Jurnal Teknik ITS, 5(1). https://doi.org/10.12962/j23373539.v5i1.15696
[10] Fahcruroji, A. R., Madona Yunita Wijaya, & Irma Fauziah. (2024). Implementasi Algoritma Cnn Mobilenet Untuk Klasifikasi Gambar Sampah Di Bank Sampah. PROSISKO: Jurnal Pengembangan Riset Dan Observasi Sistem Komputer, 11(1), 45–51. https://doi.org/10.30656/prosisko.v11i1.8101
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Yahya Eko Febrianto, Danar Putra Pamungkas, Patmi Kasih