Keywords
Kalsifikasi
LeNet5
How to Cite
Abstract
Penelitian ini membandingkan performa Simple CNN dan CNN dengan arsitektur LeNet5 dalam mengklasifikasi empat jenis penyakit daun jagung yaitu, normal, bercak daun, ulat grayak, dan bulai. Dataset citra berukuran 400x400 piksel dilakukan proses preprocessing serta pembagian data training dan testing. Pengujian dilakukan dengan variasi epoch dengan jumlah 400 data menggunakan gambar berlatar belakang asli dan polos. Hasil menunjukkan bahwa Simple CNN memberikan akurasi dan performa klasifikasi yang lebih konsisten dan tinggi dibandingkan LeNet5, terutama karena dataset yang terbatas dan spesifik. Berdasarkan hasil training dan evaluasi model skenario terbaik, diketahui bahwa nilai presisi dengan batch size 32 dengan epoch 100 untuk simple CNN menghasilkan nilai presisi 0. 98, recall 0. 98, F1 Score 0. 98. Sedangkan batch size 32 dengan epoch 100 untuk CNN arsitektur LeNet5 menghasilkan nilai presisi 0. 95, recall 0. 94, F1 Score 0. 94. Latar belakang tujuan proses hasil.
References
[1] A. Yoggyanto, A. Maulana, and D. A. Tri Cahyo, “Penerapan Metode Convolutional Neural Network (CNN) Dalam Klasifikasi Penyakit Tanaman Jagung,” Prosiding Seminar Nasional Teknologi Dan Sains, vol. 3, no. 2022, pp. 251–256, 2024.
[2] A. B. Prakosa, Hendry, and R. Tanone, “Implementasi Model Deep Learning Convolutional Neural Network (CNN) Pada Citra Penyakit Daun Jagung Untuk Klasifikasi Penyakit Tanaman,” Jurnal Pendidikan Teknologi Informasi (JUKANTI), vol. 6, no. 1, pp. 107–116, 2023.
[3] I. P. Putra, R. Rusbandi, and D. Alamsyah, “Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network,” Jurnal Algoritme, vol. 2, no. 2, pp. 102–112, 2022, doi: 10.35957/algoritme.v2i2.2360.
[4] P. Magister, T. Informatika, U. Putra, and I. Yptk, “Literature Review : Analisis Komparatif Algoritma CNN , KNN , dan SVM untuk Klasifikasi Penyakit Kelapa Sawit,” vol. 0738, no. 4, pp. 6589–6596.
[5] J. Kusuma, Rubianto, R. Rosnelly, Hartono, and B. H. Hayadi, “Klasifikasi Penyakit Daun Pada Tanaman Jagung Menggunakan Algoritma Support Vector Machine, K-Nearest Neighbors dan Multilayer Perceptron,” Journal of Applied Computer Science and Technology, vol. 4, no. 1, pp. 1–6, 2023, doi: 10.52158/jacost.v4i1.484.
[6] F. Sulistiyana and S. Anardani, “Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Convolutional Neural Network dan Support Vector Machine,” Seminar Nasional Teknologi Informasi dan Komunikasi (SENATIK), vol. 6, no. 1, pp. 423–432, 2023.
[7] P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, pp. 12–21, 2020.
[8] F. Handayani, A. Sunyoto, and B. A. Putra, “Jurnal Computer Science and Information Technology ( CoSciTech ),” vol. 5, no. 3, 2024.
[9] L. Firgia and S. Thomas, “Deteksi Jenis Penyakit Dan Hama Pada Tanaman Jagung Menggunakan Arsitektur Spatial Pyramid Pooling Pada YOLOv5s,” Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK), vol. 8, no. 2, pp. 452–459, 2023.
[10] M. Cnn-svm, “Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM,” vol. 2, no. 2, pp. 133–144, 2022.
[11] Q. N. Azizah, “Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network AlexNet,” sudo Jurnal Teknik Informatika, vol. 2, no. 1, pp. 28–33, 2023, doi: 10.56211/sudo.v2i1.227.
[12] M. S. Liyananta, M. Shata, N. Latifah, F. Bimantoro, and T. Informatika, “Program Studi Teknik Informatika,” 2024. [Online]. Available: https://www.kaggle.com/datasets/thomasdubail/brain-tumors-256x256
[13] R. A. Tilasefana and R. E. Putra, “Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG NET Untuk Pengenalan Cuaca,” Journal of Informatics and Computer Science, vol. 05, 2023.
[14] T. Kemendikbud et al., “J-INTECH (Journal of Information and Technology) Klasifikasi Cuaca Berbasis Citra dengan Model CNN LeNet-5 yang Dimodifikasi”.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Lusi Dwi Anggraini, Umi Mahdiyah, Resty Wulanningrum