PIKSIPIKSI

INFOKOM (Informatika & Komputer)INFOKOM (Informatika & Komputer)

Penyakit tanaman padi merupakan salah satu kendala utama dalam produktivitas pangan global. Penelitian ini bertujuan untuk mengoptimalkan pipeline klasifikasi penyakit padi menggunakan arsitektur EfficientNet-B0 yang dikombinasikan dengan strategi augmentasi citra intensif dan transfer learning. Dataset yang digunakan mencakup 10.407 citra daun padi yang terbagi ke dalam 10 kategori, termasuk kondisi sehat dan sembilan jenis penyakit. Strategi augmentasi seperti rotasi acak, perubahan kontras, dan pemotongan citra diterapkan untuk meningkatkan ketangguhan model terhadap variasi kondisi di lapangan. Hasil evaluasi menunjukkan bahwa model mencapai performa yang sangat luar biasa dengan Akurasi Top-1 sebesar 96,25% dan Akurasi Top-5 sebesar 99,90%. Analisis menggunakan Grad-CAM memvalidasi bahwa model secara akurat memfokuskan ekstraksi fitur pada area patologis daun. Visualisasi t-SNE menunjukkan pemisahan klaster fitur yang jelas antar kelas, didukung oleh nilai AUC pada kurva ROC yang mencapai 1,00 untuk mayoritas kategori. Penelitian ini membuktikan bahwa pipeline yang diusulkan sangat reliabel untuk deteksi dini penyakit padi dan potensial untuk diimplementasikan pada perangkat mobile bagi petani.

Implementasi EfficientNet-B0 dengan augmentasi citra intensif berhasil mencapai akurasi Top-1 96,25% dan Top-5 99,90% dalam klasifikasi sepuluh kategori penyakit padi.Model menunjukkan stabilitas, kemampuan generalisasi yang baik, dan keputusan yang transparan melalui Grad-CAM serta pemisahan fitur yang jelas pada visualisasi t‑SNE.Dengan nilai AUC hampir 1,0 dan F1‑Score rata-rata 0,96, pipeline ini siap diintegrasikan ke perangkat mobile atau edge computing untuk membantu petani mendeteksi penyakit secara cepat dan akurat.

Penelitian selanjutnya dapat mengeksplorasi penerapan model pada citra dengan kualitas rendah, seperti foto yang diambil pada kondisi pencahayaan ekstrem atau dengan noise tinggi, untuk meningkatkan ketahanan model terhadap data lapangan yang tidak ideal. Selanjutnya, studi dapat mengembangkan sistem deteksi multi‑modal dengan mengintegrasikan data sensor lingkungan (misalnya suhu, kelembaban) bersama citra daun, guna meningkatkan akurasi diagnosis pada tahap penyakit yang sangat dini. Terakhir, penelitian dapat menguji dan mengoptimalkan pipeline pada perangkat mobile atau edge computing secara real‑time, termasuk evaluasi penggunaan energi dan kecepatan inferensi, sehingga solusi dapat diimplementasikan secara praktis oleh petani di daerah terpencil.

  1. Agricultural Innovation: Leveraging DenseNet-121 for Superior Paddy Disease Management | IEEE Conference... ieeexplore.ieee.org/document/10840504Agricultural Innovation Leveraging DenseNet 121 for Superior Paddy Disease Management IEEE Conference ieeexplore ieee document 10840504
  2. CSSE | Rice Leaves Disease Diagnose Empowered with Transfer Learning. csse rice leaves disease diagnose... techscience.com/csse/v42n3/46723CSSE Rice Leaves Disease Diagnose Empowered with Transfer Learning csse rice leaves disease diagnose techscience csse v42n3 46723
  1. #penerapan model pembelajaran kooperatif#penerapan model pembelajaran kooperatif
  2. #informed consent#informed consent
Read online
File size1.01 MB
Pages14
Short Linkhttps://juris.id/p-3lD
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test