Publisher

UNRIYOUNRIYO

Journal International Journal of Informatics and ComputationInternational Journal of Informatics and Computation Abstract

Penyakit pada tanaman jagung merupakan salah satu faktor utama yang berkontribusi pada penurunan hasil panen, akhirnya memengaruhi keamanan pangan dan keberlanjutan sektor pertanian. Kemajuan teknologi telah memungkinkan pengolahan gambar digital menjadi metode yang luas diterapkan dalam berbagai bidang, termasuk identifikasi objek, deteksi pola, dan klasifikasi penyakit tanaman dengan dukungan kecerdasan buatan (AI). Studi ini menggunakan gambar daun jagung sebagai dataset, yang kemudian diproses menggunakan metode Jaringan Saraf Tiruan Konvolusional (JSK) berbasis arsitektur ResNet-50. Arsitektur ini dikenal memiliki kemampuan unggul dalam mengekstrak fitur visual mendalam, sehingga meningkatkan akurasi klasifikasi. Model JSK bekerja dengan mengidentifikasi dan menganalisis fitur kunci dalam gambar, seperti warna, tekstur, dan pola kerusakan pada daun jagung, untuk mendeteksi jenis penyakit yang menyerang tanaman. Metodologi penelitian ini melibatkan beberapa tahap penting, mulai dari mengumpulkan dataset gambar daun jagung secara langsung dari lapangan pertanian, preprocessing data untuk meningkatkan kualitas gambar agar optimal untuk pelatihan model, dan akhirnya, melatih dan mengevaluasi kinerja model JSK. Dataset awal terdiri dari 1.199 gambar, yang setelah analisis gambar berkurang menjadi 870 untuk diproses. Gambar-gambar ini kemudian dibagi menjadi 552 gambar untuk pelatihan, 87 untuk pengujian, dan 261 untuk validasi. Evaluasi model JSK dengan 87 gambar pengujian menunjukkan bahwa presisi tertinggi dicapai pada kelas Penyakit Bercak (100%). Sementara itu, recall tertinggi ditemukan pada kelas Daun Sehat (99%), menunjukkan bahwa model secara tepat mengidentifikasi semua sampel daun sehat. Namun, recall untuk kelas Penyakit Kumbang Bawah (Fall Armyworm) adalah 89%. Model ini secara akurat mengidentifikasi pola kerusakan, menjadikannya alat potensial untuk deteksi dini penyakit tanaman secara otomatis. Dengan demikian, penelitian ini dapat menjadi dasar untuk pengembangan lebih lanjut dalam aplikasi berbasis AI untuk meningkatkan efisiensi dan akurasi dalam diagnosis penyakit tanaman, akhirnya mendukung produktivitas pertanian dan keamanan pangan yang berkelanjutan.

Conclusion

Model Jaringan Saraf Tiruan Konvolusional (JSK) yang diperkuat dengan transfer learning berbasis arsitektur ResNet-50 menunjukkan efektivitas tinggi dalam klasifikasi data berbasis gambar, bahkan dengan dataset yang terbatas.Model mencapai akurasi pelatihan 91% dan validasi 98%, menunjukkan kemampuan generalisasi yang kuat.Meskipun JSK memiliki kekuatan intrinsik untuk analisis gambar, kinerjanya biasanya bergantung pada dataset skala besar untuk pelatihan optimal.Keberhasilan transfer learning dalam konteks ini menunjukkan utilitasnya dalam mengatasi keterbatasan data, memungkinkan klasifikasi yang tangguh tanpa data pelatihan khusus yang luas.Aplikasi JSK berbasis transfer learning tidak hanya meningkatkan akurasi klasifikasi tetapi juga meningkatkan penilaian kualitas data, berkontribusi pada efisiensi operasional dalam lingkungan produksi.Namun, penelitian lanjutan perlu mengeksplorasi adaptabilitas model terhadap dataset yang lebih beragam dan kompleks, serta ketahanannya terhadap gangguan adversarial.

Future Research

Penelitian lanjutan dapat mengembangkan arsitektur JSK yang lebih dalam untuk meningkatkan akurasi deteksi penyakit tanaman di bawah kondisi lingkungan yang beragam. Selain itu, penelitian dapat mengeksplorasi integrasi data real-time dari sensor pertanian untuk meningkatkan responsibilitas sistem deteksi dini. Selain itu, penelitian perlu mengevaluasi efektivitas transfer learning pada dataset yang lebih beragam untuk meningkatkan generalisasi model. Penelitian ini juga dapat menggabungkan teknik augmentasi data dengan algoritma optimisasi baru untuk meningkatkan performa model dalam skenario nyata. Selain itu, studi dapat fokus pada pengembangan sistem berbasis awan untuk memproses data gambar secara efisien di lapangan. Penelitian juga dapat mengeksplorasi penggunaan teknologi pengenalan wajah untuk memperkuat identifikasi penyakit tanaman. Terakhir, penelitian perlu menguji ketahanan model terhadap serangan adversarial untuk memastikan keandalan sistem dalam lingkungan pertanian yang dinamis.

References

1. Klasifikasi Jenis Tanaman Hias Menggunakan Metode Convolutional Neural Network (CNN) | INTECOMS: Journal... doi.org/10.31539/intecoms.v6i2.7002Klasifikasi Jenis Tanaman Hias Menggunakan Metode Convolutional Neural Network CNN INTECOMS Journal doi 10 31539 intecoms v6i2 7002
2. CONVOLUTIONAL NEURAL NETWORK (CNN) BASED ON ARTIFICIAL INTELLIGENCE IN PERIODONTAL DISEASES DIAGNOSIS... e-journal.unmas.ac.id/index.php/interdental/article/view/8641CONVOLUTIONAL NEURAL NETWORK CNN BASED ON ARTIFICIAL INTELLIGENCE IN PERIODONTAL DISEASES DIAGNOSIS e journal unmas ac index php interdental article view 8641
3. Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network | Algoritme Jurnal Mahasiswa... jurnal.mdp.ac.id/index.php/algoritme/article/view/2360Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network Algoritme Jurnal Mahasiswa jurnal mdp ac index php algoritme article view 2360

Metadata

File size	233.71 KB
Pages	8
DMCA	Report