Publisher

DJOURNALSDJOURNALS

Journal Journal of Informatics, Electrical and Electronics EngineeringJournal of Informatics, Electrical and Electronics Engineering Abstract

Produktivitas tanaman jagung dapat menurun secara signifikan akibat serangan penyakit pada daun yang sering kali tidak terdeteksi secara dini oleh para petani. Deteksi manual yang bergantung pada pengalaman subjektif petani memiliki keterbatasan dalam akurasi dan efisiensi, sehingga diperlukan solusi berbasis teknologi untuk mendukung praktik pertanian presisi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis penyakit daun jagung dengan menggunakan pendekatan Transfer Learning berbasis arsitektur DenseNet-201. Dataset yang digunakan terdiri dari gambar daun jagung yang terbagi dalam beberapa kategori, termasuk daun sehat dan daun yang terinfeksi penyakit seperti blight, rust, dan gray leaf spot. Untuk meningkatkan performa model dan mengurangi risiko overfitting, dilakukan teknik augmentasi data seperti rotasi, flipping, dan zooming. Proses pelatihan model dilakukan dengan pembagian data ke dalam set pelatihan dan pengujian. Hasil evaluasi menunjukkan bahwa model DenseNet-201 berhasil mencapai akurasi sebesar 96,65% pada data uji, serta menunjukkan keunggulan dalam hal efisiensi komputasi dan kemampuan generalisasi dibandingkan dengan arsitektur lain yang lebih dangkal. Dengan hasil tersebut, penelitian ini membuktikan bahwa DenseNet-201 merupakan solusi efektif untuk deteksi penyakit daun jagung secara cepat dan akurat, sehingga dapat diintegrasikan ke dalam sistem pendukung pengambilan keputusan di bidang pertanian modern.

Conclusion

Berdasarkan hasil penelitian yang telah dilakukan, dapat disimpulkan bahwa model klasifikasi penyakit daun jagung berbasis transfer learning dengan arsitektur DenseNet-201 dapat memberikan hasil yang sangat akurat dengan tingkat akurasi yang mencapai 97%.Selama proses pelatihan dan pengujian, digunakan dataset sebanyak 3.852 gambar yang telah melalui beberapa tahap pra-pemrosesan seperti resize, pelabelan, dan augmentasi.Hasil evaluasi model juga menunjukkan nilai precision, recall, dan f1-score yang tinggi, menandakan bahwa model ini mampu bekerja secara konsisten dalam mengenali masing-masing jenis penyakit.Meski hasil yang diperoleh cukup memuaskan, penelitian ini tetap memiliki keterbatasan, terutama pada jumlah dan keragaman data yang digunakan.Oleh karena itu, pengembangan di masa mendatang sangat mungkin dilakukan, misalnya dengan memperluas variasi dataset dan mengeksplorasi arsitektur deep learning lain sebagai pembanding.Harapannya, sistem ini bisa terus dikembangkan hingga benar-benar bisa diterapkan secara langsung di lapangan untuk membantu petani dalam mendeteksi penyakit daun jagung secara lebih cepat, efisien, dan akurat.

Future Research

Untuk meningkatkan akurasi dan kehandalan sistem, penelitian selanjutnya dapat fokus pada pengembangan teknik augmentasi data yang lebih canggih dan variatif. Selain itu, perlu dilakukan eksplorasi terhadap arsitektur deep learning lainnya, seperti ResNet atau EfficientNet, untuk membandingkan performa dan efisiensi dengan DenseNet-201. Penelitian lanjutan juga dapat mempertimbangkan integrasi sistem deteksi penyakit daun jagung dengan platform pertanian digital, seperti aplikasi mobile atau sistem informasi pertanian, sehingga petani dapat dengan mudah mengakses dan memanfaatkan teknologi ini dalam praktik pertanian sehari-hari. Dengan demikian, sistem deteksi penyakit daun jagung berbasis AI dapat menjadi solusi yang lebih terintegrasi dan mudah diakses oleh petani, mendukung praktik pertanian presisi dan meningkatkan produktivitas pertanian di Indonesia.

References

1. Klasifikasi Ikan Cakalang dan Tongkol Menggunakan Convolutional Neural Network : Fish Classification... ejournal.unsrat.ac.id/v3/index.php/informatika/article/view/52013Klasifikasi Ikan Cakalang dan Tongkol Menggunakan Convolutional Neural Network Fish Classification ejournal unsrat ac v3 index php informatika article view 52013
2. Epidemic development and management of common leaf rust (Puccinia sorghi Schwein) and turcicum leaf blight... acsess.onlinelibrary.wiley.com/doi/10.1002/agg2.20451Epidemic development and management of common leaf rust Puccinia sorghi Schwein and turcicum leaf blight acsess onlinelibrary wiley doi 10 1002 agg2 20451
3. Analisa Sistem Informasi Penjualan Kebab Bongout Eat Menggunakan Metode Scrum | Bulletin of Computer... hostjournals.com/bulletincsr/article/view/194Analisa Sistem Informasi Penjualan Kebab Bongout Eat Menggunakan Metode Scrum Bulletin of Computer hostjournals bulletincsr article view 194

Metadata

File size	801.28 KB
Pages	9
DMCA	Report