Publisher

IRPIIRPI

Journal MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science Abstract

Computer Vision banyak diterapkan dalam bidang pertanian untuk mendeteksi penyakit tanaman secara otomatis. Penelitian ini mengembangkan aplikasi berbasis web menggunakan Algoritma Convolutional Neural Networks (CNN) untuk mendeteksi penyakit pada tanaman cabai dan tomat. Aplikasi ini dibangun dengan HyperText Markup Language (HTML), Cascading Style Sheets (CSS), Python, JavaScript, dan Flask, memungkinkan pengguna mengunggah gambar tanaman untuk diklasifikasikan. Model CNN mencapai akurasi pelatihan 91%. Saat diuji menggunakan dataset terpisah, model memperoleh akurasi tinggi. Namun, setelah diterapkan dalam aplikasi untuk deteksi nyata, akurasi menurun menjadi 75%, yang bisa disebabkan oleh kondisi pencahayaan, kualitas gambar, dan perbedaan dataset. Kesalahan untuk deteksi nyata terutama terjadi pada kelas Cabai Leaf Curl 50% dan Tomat Normal 40% dari masing-masing 10 kali uji deteksi sampel. Analisis kinerja model menggunakan precision, recall, dan F1-score menunjukkan bahwa Cabai Leaf Curl memiliki recall tertinggi sebesar 0.9619 dan memiliki precision tertinggi 0.9711. Sementara pada Tomat Late Blight mendapatkan skor terendah pada Recall 0.7594 dan F1-Score 0.8510, menunjukkan tantangan dalam klasifikasi. Analisis heatmap mengungkapkan bahwa model berfokus pada fitur gambar tertentu tetapi tidak selalu pada area penyakit. Peningkatan kinerja melalui optimasi preprocessing data, augmentasi gambar, dan arsitektur model yang lebih kompleks diperlukan untuk meningkatkan akurasi serta mengurangi kesalahan klasifikasi.

Conclusion

Penelitian ini berhasil mengimplementasikan teknologi Computer Vision menggunakan algoritma Convolutional Neural Networks (CNN) dalam aplikasi berbasis web untuk mendeteksi penyakit pada tanaman cabai dan tomat.Model CNN yang dikembangkan mencapai akurasi 91% pada pelatihan namun menurun menjadi 75% saat diterapkan pada data nyata karena variasi kondisi pencahayaan, kualitas gambar, dan distribusi dataset.Kesalahan prediksi terutama terjadi pada kelas dengan karakteristik visual mirip, seperti tomat early blight dan late blight, serta kesulitan model dalam menangani gambar di luar kategori pelatihan.

Future Research

Untuk mengatasi penurunan akurasi saat deteksi nyata, bisa dilakukan penelitian baru yang fokus pada pengembangan teknik preprocessing gambar yang lebih kuat, seperti penyamaan pencahayaan otomatis dan penghilangan noise, agar model bisa bekerja lebih baik di berbagai kondisi seperti pada lapangan pertanian yang penuh variasi cahaya dan kualitas foto. Selanjutnya, ide penelitian lanjutan lain adalah menambah jumlah data pelatihan dengan mengumpulkan lebih banyak gambar dari berbagai lokasi dan musim, termasuk menggunakan teknik augmentasi canggih seperti perubahan perspektif yang realistis, hal ini bisa membantu model belajar membedakan penyakit mirip seperti early blight dan late blight dengan lebih akurat tanpa kesulitan seperti sekarang. Terakhir, penelitian bisa dikembangkan dengan menggabungkan CNN dengan model lain seperti Transformer atau Vision Transformer untuk membuat arsitektur yang lebih canggih, sehingga fokus pada bagian gambar yang benar-benar menunjukkan penyakit dapat ditingkatkan, mengurangi kesalahan klasifikasi dan membuat deteksi lebih handal di dunia nyata, serta memungkinkan ekspansi ke penyakit tanaman lain seperti pada jenis sayuran lainnya.

Metadata

File size	563.56 KB
Pages	10
DMCA	ReportReport