PLBPLB

TEMATIKTEMATIK

Tomat (Solanum lycopersicum) sangat rentan terhadap berbagai penyakit daun yang dapat menurunkan hasil panen dan memengaruhi kualitas tanaman, terutama ketika gejala awal sulit dibedakan secara visual di kondisi lapangan. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan model prediksi untuk klasifikasi otomatis penyakit daun tomat menggunakan arsitektur ringan EfficientNetB0. Dataset yang digunakan terdiri dari 5.967 citra dalam sembilan kategori, yang merupakan kombinasi dari 70% data publik PlantVillage (Kaggle) dan 30% citra lapangan nyata yang diambil dengan pencahayaan alami di luar ruangan. Tahapan metodologi meliputi prapemrosesan, augmentasi data, dan transfer learning, kemudian dilanjutkan dengan fine-tuning pada lapisan atas EfficientNetB0 untuk meningkatkan kemampuan generalisasi terhadap variasi khas lapangan seperti pencahayaan tidak merata dan latar belakang kompleks. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 89%, dengan nilai macro-average dan weighted-average sebesar 90%. Temuan ini menunjukkan bahwa EfficientNetB0 mampu memberikan keseimbangan yang efektif antara akurasi prediksi dan efisiensi komputasi, sehingga mendukung potensinya untuk diterapkan pada sistem deteksi dini serta aplikasi pertanian berbasis edge device untuk pemantauan penyakit tomat secara real-time.

Penelitian ini menciptakan model klasifikasi penyakit daun tomat yang menggunakan gambar daun dengan arsitektur EfficientNetB0, yang terbukti efektif dan tepat untuk mengenali berbagai jenis penyakit pada daun tomat.Dengan memanfaatkan metode di atas, model tersebut dapat meraih akurasi mencapai 89%, serta mendapatkan nilai makro rata-rata dan rata-rata yang berbobot masing-masing sebesar 90%, mencerminkan kinerja yang konsisten dan terpercaya.Temuan ini menegaskan bahwa EfficientNetB0 menawarkan keseimbangan yang ideal antara ketepatan dan efisiensi dalam komputasi, sehingga sangat cocok untuk diterapkan dalam sistem deteksi dini di lapangan.Diharapkan penelitian ini dapat mempercepat, meningkatkan keakuratan, dan mengotomatiskan proses deteksi penyakit tanaman tomat, sehingga tidak hanya bekerja di laboratorium, tetapi juga dapat diadaptasikan untuk kondisi lapangan yang sebenarnya.

Berdasarkan hasil penelitian, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan untuk meningkatkan akurasi dan efektivitas sistem deteksi penyakit tomat. Pertama, perlu dilakukan pengumpulan data yang lebih beragam, termasuk varietas tomat yang berbeda dan kondisi lingkungan yang bervariasi, untuk meningkatkan kemampuan generalisasi model. Kedua, dapat dieksplorasi penggunaan teknik penggabungan fitur (feature fusion) dari berbagai sumber data, seperti citra multispektral atau data sensor lingkungan, untuk memberikan informasi tambahan kepada model. Ketiga, pengembangan model yang mampu mendeteksi penyakit pada tahap awal, bahkan sebelum gejala visual terlihat, dapat dilakukan dengan memanfaatkan data time-series dari sensor atau citra hyperspectral. Dengan menggabungkan ketiga saran ini, diharapkan dapat dihasilkan sistem deteksi penyakit tomat yang lebih akurat, efisien, dan adaptif terhadap berbagai kondisi lapangan, sehingga dapat memberikan manfaat yang signifikan bagi petani dan industri pertanian.

  1. Model Prediktif Penyakit Tanaman Tomat Menggunakan Arsitektur EfficientNetB0 | TEMATIK. model prediktif... jurnal.plb.ac.id/index.php/tematik/article/view/2722Model Prediktif Penyakit Tanaman Tomat Menggunakan Arsitektur EfficientNetB0 TEMATIK model prediktif jurnal plb ac index php tematik article view 2722
Read online
File size437.84 KB
Pages11
DMCAReport

Related /

ads-block-test