Publisher

UNIPASBYUNIPASBY

Journal Best : Journal of Applied Electrical, Science and TechnologyBest : Journal of Applied Electrical, Science and Technology Abstract

Jagung merupakan komoditas pangan di Indonesia yang berperan sebagai sumber pangan alternatif guna mendukung diversifikasi pangan. Namun, infeksi daun pada tanaman jagung sering menyebabkan kerugian hasil yang signifikan dan mengancam ketahanan pangan. Deteksi dini penyakit ini sangat penting, terutama bagi petani kecil, karena metode diagnosis konvensional yang bergantung pada ahli agronomi cenderung mahal dan memakan waktu. Kemajuan terkini dalam Kecerdasan Buatan (AI) Pertanian dan pengolahan citra telah memfasilitasi pengenalan otomatis penyakit tanaman melalui Convolutional Neural Networks (CNN), dengan ResNet sebagai backbone utama yang digabungkan dengan MobileNetV3, DenseNet161, dan GoogleNet. Dataset terdiri dari 4.000 citra yang dibagi menjadi 2.560 data pelatihan, 640 data validasi, dan 800 data uji, dengan ukuran citra disesuaikan menjadi 224×224 piksel. Citra dibagi ke dalam empat kategori: bercak daun abu-abu, karat umum, hawar daun utara, dan daun sehat. Pengujian dilakukan menggunakan tiga optimizer berbeda, yaitu Adam, RMSprop, dan SGD, dengan laju pembelajaran 0,01. Hasil eksperimen menunjukkan bahwa optimizer SGD memberikan kinerja terbaik dengan nilai loss sebesar 0,2275, akurasi 0,9513, presisi 0,9536, recall 0,9513, dan skor F1 sebesar 0,9512. Temuan ini membuktikan bahwa kombinasi arsitektur ResNet, MobileNetV3, DenseNet161, dan GoogleNet dengan optimizer SGD dapat secara signifikan meningkatkan akurasi deteksi penyakit daun jagung, sehingga berpotensi diterapkan dalam sistem deteksi otomatis untuk mendukung praktik pertanian cerdas.

Conclusion

Penelitian ini menunjukkan efektivitas pendekatan deep learning hibrida yang mengintegrasikan ResNet sebagai backbone utama bersama MobileNetV3, DenseNet161, dan GoogleNet untuk identifikasi otomatis penyakit daun jagung.Optimizer Stochastic Gradient Descent (SGD) memberikan kinerja paling konsisten dan andal dengan akurasi mencapai 95,13 persen serta nilai presisi, recall, dan F1-score yang seimbang.Hasil ini menegaskan bahwa selain kompleksitas arsitektur, pemilihan optimizer memiliki peran menentukan dalam generalisasi dan stabilitas model.

Future Research

Pertama, perlu dikembangkan penelitian untuk menguji efektivitas model hibrida ini pada spesies tanaman lain seperti padi atau kedelai, guna mengevaluasi kemampuan generalisasi model dalam mendeteksi berbagai penyakit tanaman di luar jagung. Kedua, perlu dilakukan studi tentang implementasi model secara real-time pada perangkat mobile atau edge computing dengan kondisi lapangan yang bervariasi, termasuk pencahayaan tidak stabil dan kualitas kamera rendah, agar sistem dapat diakses langsung oleh petani di daerah terpencil. Ketiga, diperlukan penelitian lanjutan yang mengintegrasikan data lebih luas dan beragam, termasuk variasi geografis, tahap pertumbuhan tanaman, dan kondisi lingkungan, untuk meningkatkan ketahanan model terhadap data yang tidak seimbang serta memperbaiki akurasi deteksi pada kondisi riil yang kompleks. Pengembangan ini akan membawa model lebih dekat ke aplikasi nyata dalam sistem pertanian presisi. Selain itu, eksplorasi strategi optimasi lanjutan seperti penjadwalan laju pembelajaran adaptif atau pendekatan meta-learning perlu dievaluasi untuk meningkatkan efisiensi pelatihan dan skala model secara lebih luas. Penelitian serupa juga dapat mempertimbangkan kombinasi optimizer lain atau modifikasi arsitektur untuk menemukan konfigurasi optimal dalam berbagai skenario. Dengan demikian, sistem deteksi penyakit tanaman dapat menjadi lebih akurat, efisien, dan mudah diadopsi oleh petani secara luas.

References

1. Why ResNet Works? Residuals Generalize | IEEE Journals & Magazine | IEEE Xplore. resnet works residuals... ieeexplore.ieee.org/document/8984747Why ResNet Works Residuals Generalize IEEE Journals Magazine IEEE Xplore resnet works residuals ieeexplore ieee document 8984747
2. Plant Disease Detection and Classification by Deep Learning. plant disease detection deep learning next... mdpi.com/2223-7747/8/11/468Plant Disease Detection and Classification by Deep Learning plant disease detection deep learning next mdpi 2223 7747 8 11 468
3. Classification of Salt Quality Based on the Content of Several Elements in the Salt Using Machine Learning... iieta.org/journals/mmep/paper/10.18280/mmep.110417Classification of Salt Quality Based on the Content of Several Elements in the Salt Using Machine Learning iieta journals mmep paper 10 18280 mmep 110417
4. Deep Residual Learning for Image Recognition: A Survey. deep residual learning recognition survey next... mdpi.com/2076-3417/12/18/8972Deep Residual Learning for Image Recognition A Survey deep residual learning recognition survey next mdpi 2076 3417 12 18 8972

Metadata

File size	550.04 KB
Pages	6
DMCA	Report