KRESNA MEDIAKRESNA MEDIA

Jurnal Riset InformatikaJurnal Riset Informatika

Kopi merupakan salah satu komoditas unggulan yang membutuhkan pengendalian kualitas yang detail. Penyakit yang umum menyerang tanaman kopi adalah miner, rust, dan phoma. Meskipun penampilan tiap penyakit terlihat mirip, penyakit-penyakit tersebut memiliki gejala dan solusi yang berbeda sehingga membutuhkan penanganan yang teliti dan membutuhkan bidang computer vision untuk dapat membedakan gejalanya. Miner dan phoma memiliki fitur gambar yang serupa yang menjadi tantangan dalam penelitian ini. Beberapa pendekatan deep learning digunakan untuk membantu menghindari kesalahan penanganan penyakit akibat kesalahan klasifikasi tradisional. Salah satu model yang paling akurat adalah Residual Network. Penelitian ini menggunakan varian ResNet50 dan ResNet101 setelah mempertimbangkan jumlah dataset yang akan dipelajari dan kesesuaian dengan state-of-the-art ResNet. Sehingga, tujuan dari penelitian ini adalah mengembangkan sebuah model klasifikasi penyakit pada daun kopi yang handal berbasis ResNet. Penelitian ini menggunakan ResNet50 dan ResNet101 dalam dua skenario. Skenario pertama melatih model pada dataset yang belum diproses, sedangkan skenario kedua melatih model pada dataset yang telah diproses. Prapemrosesan melibatkan pengubahan model warna ke HSV dan pengambilan rentang warna bercak daun dari merah muda hingga coklat tua untuk segmentasi warna. Penelitian ini berhasil mencapai akurasi, presisi, dan skor F1 masing-masing sebesar 89,16%, 89,42%, dan 89,15%, untuk model ResNet50 yang dilatih pada data praproses. Sementara itu, ResNet101 menghasilkan akurasi sebesar 87,95%, presisi sebesar 88,05%, dan F1-Score sebesar 87,98%. Hasil ini menunjukkan bahwa ResNet50 lebih andal untuk mengklasifikasikan bercak daun, dan segmentasi warna membantu model untuk mengoptimalkan kinerjanya.

ResNet50 menunjukkan kinerja yang lebih baik dibandingkan ResNet101 dalam mengklasifikasikan penyakit daun kopi.Segmentasi warna berkontribusi signifikan dalam meningkatkan akurasi model.Penelitian ini membuktikan bahwa pendekatan berbasis ResNet dapat menjadi solusi efektif untuk identifikasi penyakit daun kopi secara otomatis.

Penelitian lanjutan dapat mengkaji penggunaan arsitektur CNN yang lebih ringkas seperti MobileNet atau EfficientNet untuk meningkatkan efisiensi komputasi. Selain itu, pengembangan metode thresholding adaptif yang lebih canggih dapat meningkatkan akurasi segmentasi bercak daun. Terakhir, penelitian dapat memperluas aplikasi model ini untuk mengklasifikasikan penyakit pada tanaman lain dengan karakteristik citra yang berbeda, serta mengevaluasi kinerja model pada kondisi lingkungan nyata yang lebih kompleks.

  1. CLASSIFICATION OF COFFEE LEAF SPOT DISEASES USING THE RESIDUAL NEURAL NETWORKS | Jurnal Riset Informatika.... ejournal.kresnamediapublisher.com/index.php/jri/article/view/425CLASSIFICATION OF COFFEE LEAF SPOT DISEASES USING THE RESIDUAL NEURAL NETWORKS Jurnal Riset Informatika ejournal kresnamediapublisher index php jri article view 425
Read online
File size1.22 MB
Pages11
DMCAReport

Related /

ads-block-test