IMPLEMENTASI ALGORITMA TRANSFER LEARNING DENSENET121
PADA APLIKASI DETEKSI PENYAKIT TANAMAN
MENGGUNAKAN TENSORFLOW
Total View This Week0
Total View This Week0
Institusion
Universitas PGRI Semarang
Author
MUSTHOFA, SYARIFUL
Subject
L Education (General)
Datestamp
2024-01-03 03:36:10
Abstract :
Indonesia merupakan negara agraris yang mata pencaharian sebagian besar penduduknya bekerja sebagai petani. Menurut Food and Argriculture Organization (FAO), menyatakan bahwa serangan penyakit pada tanaman menyebabkan terjadinya penurunan produksi tanaman hingga 40%. Oleh karena itu, pentingnya sebuah sistem untuk membantu petani mengidentifikasi penyakit yang menyerang tanaman. Perkembangan teknologi, khususnya dalam bidang deep learning memberikan peluang dalam menghadapi permasalahan tersebut. Salah satu algoritma yang dapat digunakan dalam mengidentifikasi penyakit pada tanaman pertanian adalah algoritma Convolutional Neural Network (CNN) dengan menggunakan metode transfer learning. Penelitian ini bertujuan untuk mengidentifikasi penyakit yang menyerang daun tanaman tomat, kentang, dan jagung dengan menggunakan arsitektur transfer learning DenseNet121. Penelitian ini menggunakan tiga jenis dataset citra daun tanaman tomat, kentang, dan jagung yang masing-masing berjumlah 1.500 citra dengan tiga kelas prediksinya masing- masing. Dataset pertama mencakup citra daun tomat dengan kelas prediksi early blight, late blight, dan daun tomat sehat. Dataset kedua terdiri dari citra daun kentang dengan kelas prediksi early blight, late blight, dan daun kentang sehat. Sementara itu, dataset ketiga terdiri dari citra daun jagung dengan kelas prediksi blight, common rust, dan daun jagung sehat. Diperoleh hasil penelitian untuk model deteksi tanaman penyakit tomat yaitu training accuracy 96% dengan loss 0.113 dan validation accuracy 92% dengan loss 0.196. Sementara untuk model deteksi penyakit tanaman kentang diperoleh hasil training accuracy 97% dengan loss 0.07 dan validation accuracy 95% dengan loss 0.09. Sedangkan untuk model deteksi penyakit tanaman jagung diperoleh hasil training accuracy 99% dengan loss 0.02 dan validation accuracy 100% dengan loss 0.01. Pada pengujian white box diperoleh precision 92%, recall 92%, dan F-1 score 92% untuk model deteksi penyakit tanaman tomat, precision 96%, recall 96%, F-1 score 96% untuk model deteksi penyakit tanaman kentang, dan precision 100%, recall 100%, dan F-1 score 100% untuk model deteksi penyakit tanaman jagung. Pada pengujian black box diperoleh presentase 100% tercapai dan 0% gagal. Sedangkan user acceptance test menghasilkan 90%. Dari hasil keseluruhan pengujian membuktikan bahwa aplikasi ini layak digunakan. Kata kunci : Penyakit tanaman, Transfer Learning, DenseNet121 tensorflow, Convolutional Neural Network
Indonesia merupakan negara agraris yang mata pencaharian sebagian besar penduduknya bekerja sebagai petani. Menurut Food and Argriculture Organization (FAO), menyatakan bahwa serangan penyakit pada tanaman menyebabkan terjadinya penurunan produksi tanaman hingga 40%. Oleh karena itu, pentingnya sebuah sistem untuk membantu petani mengidentifikasi penyakit yang menyerang tanaman. Perkembangan teknologi, khususnya dalam bidang deep learning memberikan peluang dalam menghadapi permasalahan tersebut. Salah satu algoritma yang dapat digunakan dalam mengidentifikasi penyakit pada tanaman pertanian adalah algoritma Convolutional Neural Network (CNN) dengan menggunakan metode transfer learning. Penelitian ini bertujuan untuk mengidentifikasi penyakit yang menyerang daun tanaman tomat, kentang, dan jagung dengan menggunakan arsitektur transfer learning DenseNet121. Penelitian ini menggunakan tiga jenis dataset citra daun tanaman tomat, kentang, dan jagung yang masing-masing berjumlah 1.500 citra dengan tiga kelas prediksinya masing- masing. Dataset pertama mencakup citra daun tomat dengan kelas prediksi early blight, late blight, dan daun tomat sehat. Dataset kedua terdiri dari citra daun kentang dengan kelas prediksi early blight, late blight, dan daun kentang sehat. Sementara itu, dataset ketiga terdiri dari citra daun jagung dengan kelas prediksi blight, common rust, dan daun jagung sehat. Diperoleh hasil penelitian untuk model deteksi tanaman penyakit tomat yaitu training accuracy 96% dengan loss 0.113 dan validation accuracy 92% dengan loss 0.196. Sementara untuk model deteksi penyakit tanaman kentang diperoleh hasil training accuracy 97% dengan loss 0.07 dan validation accuracy 95% dengan loss 0.09. Sedangkan untuk model deteksi penyakit tanaman jagung diperoleh hasil training accuracy 99% dengan loss 0.02 dan validation accuracy 100% dengan loss 0.01. Pada pengujian white box diperoleh precision 92%, recall 92%, dan F-1 score 92% untuk model deteksi penyakit tanaman tomat, precision 96%, recall 96%, F-1 score 96% untuk model deteksi penyakit tanaman kentang, dan precision 100%, recall 100%, dan F-1 score 100% untuk model deteksi penyakit tanaman jagung. Pada pengujian black box diperoleh presentase 100% tercapai dan 0% gagal. Sedangkan user acceptance test menghasilkan 90%. Dari hasil keseluruhan pengujian membuktikan bahwa aplikasi ini layak digunakan. Kata kunci : Penyakit tanaman, Transfer Learning, DenseNet121 tensorflow, Convolutional Neural Network
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
