Publisher

STTMCILEUNGSISTTMCILEUNGSI

Journal TEKNOSAINS : Jurnal Sains, Teknologi dan InformatikaTEKNOSAINS : Jurnal Sains, Teknologi dan Informatika Abstract

Tanaman tomat (Solanum lycopersicum) rentan terhadap berbagai penyakit yang berdampak signifikan terhadap hasil dan kualitas produksi pertanian. Untuk meningkatkan efektivitas pertanian presisi, teknik klasifikasi citra berbasis pembelajaran mendalam telah menjadi alat andal dalam mendeteksi gejala penyakit secara otomatis. Dalam studi ini, dua model pembelajaran mendalam diinvestigasi: jaringan saraf konvolusi (CNN) yang dirancang khusus dan arsitektur ResNet18 yang memanfaatkan transfer learning. Evaluasi dilakukan pada dataset validasi yang terdiri dari 1.000 gambar yang tersebar merata di sepuluh kategori penyakit. Hasil menunjukkan bahwa model ResNet18 mencapai akurasi validasi 74%, sedangkan model CNN khusus hanya mencapai 55%. Meskipun model CNN khusus menunjukkan kinerja prediktif yang lebih rendah, ia menawarkan keunggulan dalam kesederhanaan komputasi dan kecepatan eksekusi. Temuan ini menunjukkan bahwa transfer learning dengan ResNet18 lebih cocok untuk masalah klasifikasi multikelas kompleks pada dataset terbatas, sementara model CNN ringan mungkin lebih tepat untuk diterapkan pada sistem pertanian berbasis edge dengan sumber daya terbatas.

Conclusion

ResNet18 direkomendasikan untuk dataset terbatas karena kemampuannya dalam menangkap fitur kompleks secara efektif.Model CNN khusus lebih relevan untuk perangkat dengan sumber daya terbatas karena efisiensi komputasinya.Meskipun model CNN khusus menunjukkan kinerja yang lebih rendah, ia masih mampu mengenali beberapa kategori penyakit dengan akurasi yang cukup baik, seperti virus mosaik dan virus daun kuning.Namun, performanya menurun pada kategori dengan gejala visual yang tumpang tindih, seperti early blight dan target spot.

Future Research

Penelitian lanjutan dapat fokus pada pengembangan dataset yang lebih seimbang untuk mengatasi ketidakseimbangan kelas yang memengaruhi akurasi model, terutama untuk kategori penyakit seperti early blight. Selain itu, eksplorasi arsitektur hibrida yang menggabungkan kekuatan ResNet18 dengan efisiensi komputasi CNN khusus dapat meningkatkan kinerja klasifikasi di lingkungan nyata. Terakhir, pengujian implementasi model pada perangkat edge seperti smartphone atau sistem IoT pertanian diperlukan untuk memvalidasi kelayakan penggunaan model CNN khusus dalam skenario pertanian presisi.

Metadata

File size	437.22 KB
Pages	11
DMCA	Report