Keywords
CNN
Klasifikasi
MobileNetV1
penyakit tanaman
How to Cite
Abstract
Penyakit pada tanaman bawang merah, seperti busuk bawah, jamur daun, dan serangan ulat, dapat menyebabkan penurunan kualitas dan kuantitas hasil panen. Deteksi dini penyakit sangat penting untuk mencegah kerugian lebih lanjut. Penelitian ini mengembangkan sistem klasifikasi otomatis berbasis citra menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV1. Dataset terdiri dari 250 citra daun bawang merah yang dikategorikan ke dalam empat kelas: normal, busuk bawah, jamur daun, dan ulat. Proses pelatihan menggunakan teknik augmentasi citra dan callbacks EarlyStopping serta ModelCheckpoint untuk mencegah overfitting. Model berhenti pada epoch ke-16 dan mencapai akurasi 92,00%, presisi 92,31%, recall 92,00%, serta F1-score 91,90%. Hasil ini menunjukkan bahwa arsitektur MobileNetV1 efektif dalam mengklasifikasikan penyakit pada tanaman bawang merah secara otomatis.
References
[1] M. Y. Kim, J. W. Han, Q. Le Dang, J. C. Kim, H. Kim, and G. J. Choi, “Characterization of Alternaria porri causing onion purple blotch and its antifungal compound magnolol identified from Caryodaphnopsis baviensis,” PLoS One, vol. 17, no. 1 January, pp. 1–17, 2022, doi: 10.1371/journal.pone.0262836.
[2] T. Turahman, E. Hasmin, and K. Aryasa, “Analisis Perbandingan Metode Convolutional Neural Network (CNN) dan MobileNet dalam Klasifikasi Penyakit Daun Padi,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 9, no. 1, pp. 368–377, Nov. 2024, doi: 10.35870/jtik.v9i1.3218.
[3] F. Habib Hawari, F. Fadillah, M. Rifqi Alviandi, and T. Arifin, “KLASIFIKASI PENYAKIT PADI MENGGUNAKAN ALGORITMA CNN (CONVOLUTIONAL NEURAL NETWORK),” J. RESPONSIF, vol. 4, no. 2, pp. 184–189, 2022, doi: 10.51977/jti.v4i2.856.
[4] J. Lu, L. Tan, and H. Jiang, “Review on convolutional neural network (CNN) applied to plant leaf disease classification,” Agric., vol. 11, no. 8, pp. 1–18, 2021, doi: 10.3390/agriculture11080707.
[5] P. Arsitektur et al., “Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) 1626,” Online, 2024. doi: 10.29407/5m496763.
[6] A. Nada Nafisa, E. Nia Devina Br Purba, F. Aulia Alfarisi Harahap, N. Adawiyah Putri, I. Komputer, and F. Matematika dan Ilmu Pengetahuan Alam, “Implementasi Algoritma Convolutional Neural Network Arsitektur Model MobileNetV2 dalam Klasifikasi Penyakit Tumor Otak Glioma, Pituitary dan Meningioma.” doi: 10.29303/jtika.v5i1.234.
[7] M. G. Somoal and A. R. Dzikrillah, “Komparasi MobileNETV2 dengan Kustomisasi Transfer Learning dan Hyperparameter untuk Identifikasi Tumor Otak,” J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 1, pp. 229–240, Feb. 2025, doi: 10.25126/jtiik.2025129582.
[8] A. Dickyu Septian and A. Suhendar, “IMPLEMENTASI ALGORTIMA CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PENYAKIT DAUN KENTANG MENGGUNAKAN CITRA DIGITAL,” J. Inform. Teknol. dan Sains, 2024, doi: 10.51401/jinteks.v6i4.4880.
[9] A. Ramcharan et al., “A mobile-based deep learning model for cassava disease diagnosis,” Front. Plant Sci., vol. 10, Mar. 2019, doi: 10.3389/fpls.2019.00272.
[10] A. Julianto, A. Sunyoto, D. Ferry, and W. Wibowo, “OPTIMASI HYPERPARAMETER CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT TANAMAN PADI (OPTIMIZATION OF CONVOLUTIONAL NEURAL NETWORK HYPERPARAMETERS FOR CLASSIFICATION OF RICE PLANT DISEASES).” doi: 10.46764/teknimedia.v3i2.77.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Hadi Rizky Dwi Via Prahesta Prahesta, Danar Putra Pamungkas, Patmi Kasih