UMKLAUMKLA

JKTI Jurnal Keilmuan Teknologi InformasiJKTI Jurnal Keilmuan Teknologi Informasi

Penelitian ini dirancang untuk mengembangkan sistem klasifikasi penyakit pada daun tomat menggunakan metode Deep Learning dengan arsitektur Convolutional Neural Network (CNN) berbasis arsitektur model EfficientNetB0 dengan pendekatan Transfer Learning. Dataset yang digunakan untuk penelitian diambil dari Kaggle (ashishmotwani/tomat) dan terdiri dari lebih 20.000 gambar daun tomat yang terbagi menjadi 11 kelas yaitu 10 kelas daun sakit dan 1 kelas daun sehat. Penelitian dilakukan menggunakan platform Google Colab dengan GPU T4. Tahapan penelitian meliputi preprocessing dataset, augmentasi dataset, pembagian data train-validation-test, pembangunan model CNN berbasis EfficientNetB0, pelatihan model dengan mekanisme fine-tuning, serta evaluasi performa menggunakan confusion matrix, precision, recall, dan F1-score. Konfigurasi menggunakan input size 224 × 224 pixel, batch size 32, learning rate awal 0,001 dan maksimal 50 epoch. Hasil menunjukkan bahwa seluruh penyelesaian 50 epoch dengan training accuracy terbaik adalah 99,63% dan validation accuracy terbaik adalah 87,27% yang dicapai pada epoch ke-49. Model terbaik di-restore dari epoch ke-49 berdasarkan nilai val accuracy tertinggi. Kelas Powdery Mildew, Target Spot, dan Tomato Yellow Leaf Curl Virus memperoleh nilai recall tertinggi. Implementasi EfficientNetB0 terbukti efektif dalam melakukan klasifikasi penyakit daun tomat sehingga dapat untuk diterapkan pada sistem pertanian cerdas berbasis mobile maupun web.

Studi ini mengembangkan model klasifikasi penyakit daun tomat dengan menggunakan Convolutional Neural Network (CNN) berbasis model arsitektur EfficientNetB0 dan pendekatan transfer learning, dataset Kaggle yang terdiri dari 25.683 gambar validasi dibagi ke dalam sebelas kelas, dengan total 50 epochs training digunakan untuk mempelajari model.Berdasarkan hasil eksperimen, model mencapai tingkat akurasi tertinggi sebesar 99,63% dan tingkat akurasi tertinggi sebesar 87,27% pada epochs ke-49.Kelas Powdery Mildew memiliki recall tertinggi 0,99, sedangkan Bacterial Spot dan Early Blight memiliki recall terendah karena gejala visualnya mirip dengan kelas lain.Secara keseluruhan model menunjukkan akurasi validasi sebesar 70,27% pada data evaluasi, dengan F1-score yang ditimbang sebesar 0,67.Penelitian ini menunjukkan bahwa EfficientNetB0 dapat menggunakan transfer learning untuk mengidentifikasi penyakit pada daun tomat dengan akurasi sebesar 89%.Untuk meningkatkan kinerja dan ketahanan model dalam berbagai lingkungan pertanian, penelitian lebih lanjut harus berfokus pada penggabungan data lapangan nyata dan metode penyempurnaan lanjutan.

Untuk meningkatkan kinerja dan ketahanan model dalam berbagai lingkungan pertanian, penelitian lebih lanjut dapat fokus pada penggabungan data lapangan nyata dan metode penyempurnaan lanjutan. Selain itu, studi lanjutan dapat mengeksplorasi penggunaan model EfficientNetB0 untuk pengujian lapangan langsung melalui aplikasi mobile atau web, serta mempelajari metode penyempurnaan lebih lanjut pada lapisan dasar EfficientNetB0. Dengan demikian, penelitian ini dapat memberikan kontribusi signifikan dalam pengembangan sistem pertanian cerdas yang efisien dan akurat.

  1. "Transfer Learning: A New Promising Techniques" by Ahmed Hussein Ali, Mohanad G. Yaseen et... map.researchcommons.org/mjbd/vol3/iss1/4Transfer Learning A New Promising Techniques by Ahmed Hussein Ali Mohanad G Yaseen et map researchcommons mjbd vol3 iss1 4
  2. JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer). comparative analysis cnn tomato leaf disease transfer... doi.org/10.33480/jitk.v11i1.7014JITK Jurnal Ilmu Pengetahuan dan Teknologi Komputer comparative analysis cnn tomato leaf disease transfer doi 10 33480 jitk v11i1 7014
Read online
File size413.54 KB
Pages6
DMCAReport

Related /

ads-block-test