UNBINUNBIN

Jurnal SAINTEKOM (Sains dan Teknologi Komputasi)Jurnal SAINTEKOM (Sains dan Teknologi Komputasi)

Penyakit virus kuning merupakan salah satu gangguan utama yang sering menyerang tanaman cabai. Penelitian ini bertujuan untuk menerapkan pendekatan machine learning berbasis Convolutional Neural Network (CNN) dalam mengidentifikasi penyakit virus kuning secara lebih cepat dan akurat. Data citra diperoleh dari dataset penelitian, kemudian diproses melalui tahapan pre-processing dan pelatihan model CNN dengan evaluasi menggunakan Confusion Matrix. Hasil pengujian menunjukkan nilai akurasi 83,33%, presisi 83,33%, recall 83,33%, dan F1-Score 83,33%. Dengan demikian, penelitian ini membuktikan bahwa penerapan algoritma CNN pada sistem berbasis web mampu memberikan prediksi yang cukup akurat dan efektif dalam mengidentifikasi penyakit virus kuning pada tanaman cabai.

Berdasarkan hasil penelitian dan pengujian yang telah dilakukan mengenai identifikasi penyakit virus kuning pada tanaman cabai menggunakan pendekatan Convolutional Neural Network (CNN), dapat disimpulkan bahwa model CNN yang dikembangkan mampu melakukan identifikasi penyakit virus kuning pada citra daun cabai dengan cukup baik.Proses ekstraksi fitur visual yang dilakukan CNN dapat membedakan antara daun sehat dan daun yang terinfeksi sesuai dengan tujuan penelitian.Sistem yang dibangun berbasis web telah berhasil diimplementasikan dengan antarmuka sederhana, sehingga dapat digunakan sebagai alat bantu oleh petani maupun pihak terkait dalam mendeteksi penyakit virus kuning secara cepat dan objektif dibandingkan pemeriksaan secara konvensional.

Berdasarkan hasil penelitian, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, perlu dilakukan pengembangan dataset yang lebih beragam, termasuk variasi kondisi pencahayaan dan sudut pengambilan gambar, untuk meningkatkan robustitas model CNN dalam mengidentifikasi penyakit virus kuning pada berbagai kondisi lingkungan. Kedua, penelitian selanjutnya dapat memperluas cakupan deteksi penyakit dengan menambahkan klasifikasi jenis penyakit lain yang menyerang tanaman cabai, sehingga sistem dapat memberikan diagnosis yang lebih komprehensif. Ketiga, pengembangan sistem dapat dilanjutkan dengan mengintegrasikan data sensor lingkungan, seperti suhu dan kelembaban, untuk memprediksi potensi serangan penyakit virus kuning berdasarkan kondisi lingkungan yang mendukung perkembangannya. Integrasi data ini diharapkan dapat memberikan peringatan dini kepada petani dan membantu mereka mengambil tindakan pencegahan yang tepat untuk mengurangi risiko kerugian akibat serangan penyakit.

  1. IASC | Hybrid Convolutional Neural Network for Plant Diseases Prediction. iasc hybrid neural network... doi.org/10.32604/iasc.2023.024820IASC Hybrid Convolutional Neural Network for Plant Diseases Prediction iasc hybrid neural network doi 10 32604 iasc 2023 024820
  2. Potato Leaf Disease Recognition and Prediction using Convolutional Neural Networks | EAI Endorsed Transactions... doi.org/10.4108/eetsis.3937Potato Leaf Disease Recognition and Prediction using Convolutional Neural Networks EAI Endorsed Transactions doi 10 4108 eetsis 3937
  3. Implementasi Algoritma Convolutional Neural Network untuk Meningkatkan Identifikasi Penyakit Tanaman... doi.org/10.61132/jupiter.v2i4.418Implementasi Algoritma Convolutional Neural Network untuk Meningkatkan Identifikasi Penyakit Tanaman doi 10 61132 jupiter v2i4 418
Read online
File size540.69 KB
Pages13
DMCAReport

Related /

ads-block-test