HOSTJOURNALSHOSTJOURNALS

Bulletin of Computer Science ResearchBulletin of Computer Science Research

Penelitian ini bertujuan mengidentifikasi penyakit daun padi berdasarkan citra daun menggunakan Convolutional Neural Network (CNN). Data penelitian diperoleh dari repositori daring (Kaggle) yang memuat citra daun padi berlabel dalam beberapa kelas penyakit. Model CNN kustom dirancang dan dilatih setelah dilakukan pra-pemrosesan citra (resize menjadi 224×224 piksel), normalisasi, serta augmentasi data untuk mengurangi overfitting. Pelatihan dilakukan di lingkungan Google Colab menggunakan TensorFlow, dengan pembagian data 70:30, 80:20, dan 90:10 untuk menganalisis performa. Hasil terbaik menunjukkan akurasi pelatihan 83,02% dan akurasi pengujian 77,33%. Selain itu, model dibandingkan dengan beberapa arsitektur populer yang banyak digunakan dalam literatur, seperti ResNet50, VGG16, dan EfficientNetB0. Hasil penelitian menunjukkan bahwa model CNN kustom mampu memberikan kinerja klasifikasi kompetitif untuk deteksi dini penyakit daun padi, sehingga berpotensi menjadi sistem pendukung keputusan bagi petani dalam pengendalian penyakit secara cepat dan efisien.

Penelitian ini berhasil mengembangkan dan menguji model Convolutional Neural Network (CNN) kustom untuk mendeteksi enam jenis penyakit daun padi.Model CNN yang diusulkan menunjukkan performa terbaik dengan akurasi pelatihan sebesar 90,74% dan akurasi validasi 86,76%, lebih tinggi dibandingkan model transfer learning VGG16 dan ResNet50 yang diuji sebagai pembanding.Hasil ini membuktikan bahwa arsitektur CNN ringan yang dirancang khusus untuk karakteristik citra pertanian mampu memberikan kinerja yang kompetitif dengan efisiensi komputasi yang lebih baik.Untuk penelitian selanjutnya, disarankan agar model dilatih kembali menggunakan dataset lapangan yang lebih luas serta dikombinasikan dengan pendekatan attention-based CNN atau MobileNetV3 guna meningkatkan akurasi dan efisiensi pada implementasi di perangkat bergerak.

Berdasarkan hasil penelitian, terdapat beberapa arah pengembangan penelitian lanjutan yang menjanjikan. Pertama, perlu dilakukan pengujian model pada dataset citra lapangan yang lebih beragam, mencakup variasi pencahayaan, sudut pengambilan gambar, dan latar belakang alami, untuk menguji kemampuan generalisasi model secara lebih komprehensif. Kedua, integrasi teknik attention mechanism ke dalam arsitektur CNN dapat membantu model untuk lebih fokus pada area-area penting pada daun yang menunjukkan gejala penyakit, sehingga meningkatkan akurasi deteksi. Ketiga, eksplorasi penggunaan arsitektur CNN yang lebih ringan seperti MobileNetV3 dapat menghasilkan model yang lebih efisien dan cocok untuk diimplementasikan pada perangkat mobile atau edge computing di lapangan, memungkinkan petani untuk melakukan diagnosis dini penyakit secara cepat dan mudah.

  1. Pengaruh Perubahan Curah Hujan terhadap Produktivitas Padi Sawah di Kalimantan Barat | Aditya | Jurnal... ejournal.undip.ac.id/index.php/ilmulingkungan/article/view/37978Pengaruh Perubahan Curah Hujan terhadap Produktivitas Padi Sawah di Kalimantan Barat Aditya Jurnal ejournal undip ac index php ilmulingkungan article view 37978
  2. 0. pdf obj endobj 0x ltv e2 0c ro 9g yv hde 3r 35w w3t04 30pisp t0p r0t endstream hx gvvk x5 3z po x6... doi.org/10.22214/ijraset.2024.636090 pdf obj endobj 0x ltv e2 0c ro 9g yv hde 3r 35w w3t04 30pisp t0p r0t endstream hx gvvk x5 3z po x6 doi 10 22214 ijraset 2024 63609
  3. PENGUKURAN KINERJA SISTEM KUALITAS UDARA DENGAN TEKNOLOGI WSN MENGGUNAKAN CONFUSION MATRIX | Pratiwi... journal.upgris.ac.id/index.php/JIU/article/view/6552PENGUKURAN KINERJA SISTEM KUALITAS UDARA DENGAN TEKNOLOGI WSN MENGGUNAKAN CONFUSION MATRIX Pratiwi journal upgris ac index php JIU article view 6552
Read online
File size730.78 KB
Pages9
DMCAReport

Related /

ads-block-test