Pengujian Simple CNN Dengan Arsitektur LeNet5 Pada Penyakit Daun Jagung
DOI:
https://doi.org/10.29407/9qdmem64Abstract
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.
Keywords:
CNN, Kalsifikasi, LeNet5##plugins.themes.default.displayStats.downloads##
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”.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Lusi Dwi Anggraini, Umi Mahdiyah, Resty Wulanningrum
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:
- Copyright on any article is retained by the author(s).
- 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.
- 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.
- 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.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
