Publisher

GOMITGOMIT

Journal International Journal of Advances in Artificial Intelligence and Machine LearningInternational Journal of Advances in Artificial Intelligence and Machine Learning Abstract

Penyakit tanaman merupakan ancaman berkelanjutan terhadap produktivitas pertanian global, menyebabkan penurunan hasil dan kualitas panen. Metode inspeksi visual tradisional oleh petani atau ahli seringkali lambat, subjektif, dan kurang andal, terutama pada lahan yang luas. Seiring dengan ketersediaan teknologi pencitraan digital, deteksi otomatis menggunakan pemrosesan citra dan pembelajaran mesin menawarkan solusi menjanjikan. Penelitian ini bertujuan mengembangkan kerangka deteksi penyakit tanaman yang lebih baik melalui pemrosesan citra dan algoritma pembelajaran mesin, khususnya Support Vector Machine (SVM) dan Convolutional Neural Networks (CNN). Dataset PlantVillage sebanyak 54.306 citra daun digunakan untuk pelatihan dan pengujian model, melibatkan pra-pemrosesan seperti pengubahan ukuran, penghilangan noise, segmentasi latar belakang, dan ekstraksi fitur. CNN digunakan untuk klasifikasi menyeluruh, sedangkan SVM menggunakan fitur yang diekstrak secara manual. Validasi silang 10-lipat dan strategi fine-tuning diterapkan untuk menjamin kekokohan dan konsistensi kinerja. Hasil menunjukkan sistem mampu mendeteksi penyakit secara dini dengan akurasi 97% untuk daun sehat, meskipun hanya mencapai 56% untuk beberapa kelas penyakit karena kemiripan visual dan noise. Segmentasi latar belakang terbukti meningkatkan fokus pada fitur penyakit, sementara citra skala abu-abu mengurangi ketergantungan pada warna namun menurunkan akurasi. Kesimpulannya, pembelajaran mesin, terutama model berbasis CNN, dapat secara signifikan meningkatkan diagnosis penyakit tanaman dan mendukung keputusan pertanian yang tepat waktu. Pengembangan selanjutnya akan mencakup arsitektur deep learning yang lebih maju, perluasan dataset, pencitraan multimodal, dan integrasi IoT untuk implementasi lapangan secara real-time.

Conclusion

Penelitian ini berhasil mengembangkan model deteksi penyakit tanaman yang andal menggunakan teknik pemrosesan citra dan pembelajaran mendalam, diuji pada 54.306 citra daun dan mencapai akurasi keseluruhan sekitar 95-96% pada 15 kelas penyakit.Model tersebut menunjukkan kemampuan tinggi dalam membedakan jenis penyakit, bahkan yang memiliki gejala visual serupa, yang divalidasi oleh metrik presisi, recall, F1-Score, dan dominasi diagonal dalam matriks konfusi.Secara keseluruhan, sistem yang dikembangkan membuktikan efektivitas pembelajaran mesin dalam diagnosis pertanian dan merupakan alat yang menjanjikan untuk identifikasi penyakit tanaman secara dini dan akurat.

Future Research

Untuk penelitian lanjutan, ada beberapa arah menarik yang dapat dieksplorasi guna meningkatkan sistem deteksi penyakit tanaman. Pertama, penting untuk meneliti bagaimana kita bisa membangun dan mengevaluasi dataset citra tanaman yang jauh lebih beragam dan diambil langsung dari lingkungan lapangan yang nyata, bukan hanya dari laboratorium. Dataset ini harus secara sengaja mencakup variasi kondisi pencahayaan, latar belakang yang berbeda-beda, serta berbagai orientasi daun, dan juga secara khusus mengatasi penyakit dengan gejala visual yang sangat mirip, agar model AI lebih tahan banting terhadap kondisi dunia nyata. Kedua, penelitian bisa difokuskan pada pengembangan model pembelajaran mendalam yang tidak hanya sangat akurat tetapi juga ringan dan hemat energi. Ini berarti mencari cara untuk menciptakan model AI yang bisa berjalan dengan baik di perangkat sederhana seperti ponsel pintar atau sensor IoT di lahan pertanian, bahkan tanpa koneksi internet, sehingga petani di daerah terpencil pun bisa menggunakannya secara mandiri. Terakhir, sangat menarik untuk menyelidiki bagaimana informasi dari berbagai jenis sensor, seperti citra multispektral yang dapat melihat hal-hal tak kasat mata oleh mata telanjang, atau data lingkungan seperti kelembaban udara dan kondisi tanah dari sensor IoT, bisa digabungkan. Penggabungan data ini diharapkan mampu memberikan diagnosis penyakit yang lebih cepat dan akurat, terutama untuk jenis penyakit yang sulit dideteksi hanya dari foto biasa, sehingga memberikan panduan penanganan yang lebih tepat dan komprehensif bagi petani.

References

1. Practices and Applications of Convolutional Neural Network-Based Computer Vision Systems in Animal Farming:... mdpi.com/1424-8220/21/4/1492Practices and Applications of Convolutional Neural Network Based Computer Vision Systems in Animal Farming mdpi 1424 8220 21 4 1492
2.  . 0 mdpi.com/2073-4395/14/12/3001A 0 mdpi 2073 4395 14 12 3001
3. Identification of Plant-Leaf Diseases Using CNN and Transfer-Learning Approach. plant leaf diseases cnn... mdpi.com/2079-9292/10/12/1388Identification of Plant Leaf Diseases Using CNN and Transfer Learning Approach plant leaf diseases cnn mdpi 2079 9292 10 12 1388

Metadata

File size	610.81 KB
Pages	11
DMCA	Report