PUBMEDIAPUBMEDIA

Indonesian Journal of Applied TechnologyIndonesian Journal of Applied Technology

Indonesia sebagai negara agraris menghadapi tantangan dalam produksi pertanian, khususnya akibat serangan hama dan penyakit yang menurunkan kualitas hasil panen kembang kol (Brassica oleracea var. botrytis L). Penelitian ini mengembangkan model klasifikasi penyakit tanaman kembang kol menggunakan metode transfer learning berbasis arsitektur Inception V3. Dataset terdiri dari empat kelas: Bacterial Spot Rot, Black Rot, Downy Mildew, dan No Disease, diperoleh dari Kaggle. Proses pengembangan mengikuti tahapan CRISP-DM, mulai dari pra-pemrosesan data, pelatihan model, hingga evaluasi. Model dilatih dengan memanfaatkan bobot awal dari ImageNet, diikuti dengan penyesuaian beberapa lapisan klasifikasi dan penggunaan teknik fine-tuning serta augmentasi data. Evaluasi performa dilakukan dengan metrik akurasi, precision, recall, dan F1-score. Hasil akhir menunjukkan akurasi validasi sebesar 93,75% dan akurasi pengujian mencapai 99%, dengan nilai precision dan recall yang seimbang (93,75%). Model terbukti efektif dalam mengklasifikasi penyakit tanaman dan memiliki potensi untuk diterapkan pada sistem deteksi otomatis berbasis citra guna mendukung pertanian presisi secara real-time.

Hasil penelitian menunjukkan bahwa model transfer learning berbasis InceptionV3 mampu melakukan klasifikasi penyakit tanaman kembang kol dengan performa yang sangat baik.Pada tahap pelatihan, model mencapai akurasi tinggi sebesar 93.75 persen dan menunjukkan kemampuan generalisasi yang kuat pada data pengujian.Model juga terbukti efektif dalam mengidentifikasi setiap kelas dengan tingkat kesalahan yang sangat rendah, sehingga menghasilkan prediksi yang akurat dan konsisten.Secara keseluruhan, model yang dikembangkan memiliki potensi untuk diterapkan sebagai sistem deteksi otomatis dalam mendukung identifikasi dini penyakit tanaman kembang kol.

Untuk penelitian lanjutan, disarankan untuk mengembangkan perbandingan performa dengan menggunakan beberapa metode klasifikasi lain agar diperoleh hasil evaluasi yang lebih komprehensif. Selain itu, pengujian model dapat diperluas dengan menerapkannya secara langsung melalui perangkat seperti kamera atau telepon genggam untuk memperoleh hasil deteksi secara real time. Pendekatan ini diharapkan dapat meningkatkan implementasi model dalam lingkungan lapangan dan memperkuat manfaatnya bagi pengguna di sektor pertanian. Penelitian selanjutnya juga dapat fokus pada pengembangan sistem deteksi otomatis yang terintegrasi dengan teknologi pertanian presisi, sehingga dapat memberikan solusi komprehensif untuk meningkatkan produktivitas pertanian dan mengurangi dampak serangan hama dan penyakit.

  1. Klasifikasi Bentuk Bingkai (Frame) Kacamata Menggunakan CNN dengan Arsitektur Inception V3 dan Augmented... journal.unpacti.ac.id/index.php/JSCE/article/view/1292Klasifikasi Bentuk Bingkai Frame Kacamata Menggunakan CNN dengan Arsitektur Inception V3 dan Augmented journal unpacti ac index php JSCE article view 1292
  2. Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3 | UNGKAWA | ELKOMIKA:... ejurnal.itenas.ac.id/index.php/elkomika/article/view/8899Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3 UNGKAWA ELKOMIKA ejurnal itenas ac index php elkomika article view 8899
  3. Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM | Jurnal Sisfokom (Sistem Informasi... jurnal.atmaluhur.ac.id/index.php/sisfokom/article/view/1502Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM Jurnal Sisfokom Sistem Informasi jurnal atmaluhur ac index php sisfokom article view 1502
Read online
File size484.33 KB
Pages10
DMCAReport

Related /

ads-block-test