Publisher

UBMUBM

Journal Jurnal Algoritma, Logika dan KomputasiJurnal Algoritma, Logika dan Komputasi Abstract

Deteksi penyakit pada tanaman merica (Piper nigrum) sangat penting untuk menjaga produktivitas dan kualitas panen, namun metode identifikasi manual oleh petani seringkali tidak efisien dan subjektif. Keterbatasan ini mendorong pemanfaatan teknologi kecerdasan buatan, khususnya Convolutional Neural Network (CNN), untuk menciptakan sistem deteksi yang cepat dan akurat. Penelitian ini bertujuan untuk menerapkan arsitektur CNN MobileNetV2 untuk mengklasifikasi empat kondisi daun merica (sehat, busuk pangkal batang, penyakit kuning, dan bercak daun) serta mengevaluasi secara kuantitatif pengaruh teknik augmentasi data terhadap performa model. Metode penelitian yang digunakan adalah pendekatan eksperimental dengan membandingkan dua skenario: Model A yang dilatih menggunakan 420 citra daun asli dan Model B yang dilatih dengan dataset yang sama namun diperbanyak melalui teknik augmentasi meliputi rotasi, flipping, dan penyesuaian kecerahan. Kedua model diuji menggunakan 60 citra data uji yang terpisah dan dievaluasi kinerjanya berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan perbedaan kinerja yang signifikan, di mana Model B (dengan augmentasi) mencapai akurasi keseluruhan sebesar 93%, meningkat dari 88% yang dicapai oleh Model A (tanpa augmentasi). Analisis kurva pelatihan juga membuktikan bahwa augmentasi data efektif menekan overfitting dan meningkatkan kemampuan generalisasi model. Kesimpulannya, arsitektur MobileNetV2 terbukti efektif untuk deteksi penyakit daun merica, dan penerapan teknik augmentasi data merupakan strategi krusial yang secara substansial meningkatkan akurasi dan keandalan model. Implikasi dari temuan ini adalah terbukanya potensi pengembangan aplikasi deteksi penyakit berbasis smartphone yang praktis dan dapat diandalkan untuk membantu petani dalam pengambilan keputusan perawatan tanaman yang lebih efektif.

Conclusion

Penerapan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 sangat efektif untuk deteksi penyakit pada daun tanaman merica.Fakta ini dibuktikan secara kuantitatif melalui model yang dilatih menggunakan teknik augmentasi data (Model B), yang berhasil mencapai akurasi klasifikasi sebesar 93%.Peningkatan akurasi sebesar 5% ini bukan sekadar angka, melainkan cerminan dari kemampuan generalisasi model yang lebih baik.Penerapan augmentasi data terbukti secara efektif menekan overfitting selama proses pelatihan dan, yang lebih krusial, berhasil meminimalisir kesalahan fatal (False Negative).

Future Research

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, perlu dilakukan penelitian lebih lanjut dengan memperluas dataset yang digunakan, tidak hanya dari satu lokasi geografis, tetapi juga mencakup varietas tanaman merica yang berbeda dan kondisi lingkungan yang beragam. Hal ini akan meningkatkan kemampuan generalisasi model dan memastikan keandalannya dalam berbagai skenario. Kedua, penelitian selanjutnya dapat fokus pada pengembangan model yang mampu mengidentifikasi tingkat keparahan penyakit, bukan hanya keberadaannya. Informasi ini akan sangat berharga bagi petani dalam menentukan tindakan pengendalian yang tepat dan efektif. Ketiga, eksplorasi penggunaan teknik deep learning lainnya, seperti Transformer atau model hybrid, dapat dilakukan untuk melihat apakah arsitektur tersebut dapat menghasilkan performa yang lebih baik dibandingkan dengan MobileNetV2. Penelitian ini diharapkan dapat menghasilkan sistem deteksi penyakit tanaman merica yang lebih akurat, andal, dan mudah diakses oleh petani, sehingga dapat membantu meningkatkan produktivitas dan kualitas tanaman merica secara berkelanjutan.

Metadata

File size	759.91 KB
Pages	11
DMCA	Report