STTSSTTS

INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and Computation

Pemerintah berupaya meningkatkan produksi jagung untuk memenuhi kebutuhan pangan penduduk Indonesia dan ekspor ke luar negeri. Banyak petani masih belum memiliki pengalaman dalam mengenali jenis penyakit pada tanaman jagung, sehingga membutuhkan alat atau sistem untuk memberikan informasi kepada petani pemula. Banyak studi sebelumnya telah mengembangkan sistem otomatis untuk mengidentifikasi penyakit daun jagung dengan tujuan meningkatkan produksi jagung melalui pengenalan dini dan pengendalian penyakit. Penelitian ini menyarankan sistem identifikasi jenis penyakit daun jagung menggunakan metode CNN (Convolutional Neural Network) untuk meningkatkan akurasi pengenalan penyakit secara dini. Metode yang digunakan dalam penelitian sebelumnya umumnya menggunakan deep learning dengan hasil akurasi di atas 90%. CNN adalah salah satu metode deep learning, sehingga penelitian ini menggunakan CNN untuk mengidentifikasi jenis penyakit daun. Data yang digunakan berasal dari Kaggle, yang diproses terlebih dahulu. Dataset Kaggle memiliki tanaman jagung yang mirip dengan yang ada di Indonesia, sehingga data ini digunakan dengan kelas identifikasi (Blight, Common rust, Gray leaf spot, dan Healthy). Data pelatihan sebanyak 2000 gambar dengan 500 gambar untuk setiap kelas, dan data pengujian sebanyak 120 gambar dengan 30 gambar untuk setiap kelas. Hasil evaluasi menunjukkan bahwa proses klasifikasi menggunakan metode CNN memiliki akurasi sebesar 84,5%. Hasil yang dihasilkan untuk mengidentifikasi jenis penyakit daun jagung masih kurang akurat dalam prediksi, menunjukkan kebutuhan untuk meningkatkan model arsitektur CNN.

Kami menciptakan sistem untuk mengidentifikasi jenis penyakit daun menggunakan deep learning.Dataset kami berasal dari Kaggle, dan kami hanya menggunakan 2120 gambar dengan empat kelas penyakit.blight, common rust, gray leaf spot, dan healthy.Hasil pengujian untuk mengidentifikasi jenis penyakit daun jagung adalah 84,5%.Hasil yang dihasilkan masih kurang akurat, sehingga perlu dilakukan peningkatan pada arsitektur CNN.

Penelitian lanjutan dapat fokus pada peningkatan arsitektur CNN untuk meningkatkan akurasi deteksi penyakit daun jagung. Selain itu, penggunaan dataset yang lebih besar atau bervariasi dapat membantu meningkatkan generalisasi model. Sistem juga bisa dikembangkan dengan menggabungkan metode deep learning lainnya, seperti transfer learning menggunakan model pre-trained, untuk mempercepat proses pelatihan dan meningkatkan kinerja. Penelitian juga bisa mengeksplorasi teknik pra-pemrosesan gambar yang lebih efektif atau menggabungkan fitur visual dengan data non-visual, seperti kondisi lingkungan tanaman, untuk meningkatkan akurasi identifikasi penyakit secara holistik.

  1. 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
  2. SIMULASI KLASIFIKASI HAMA DAN PENYAKIT PADA JAGUNG DENGAN NAIVE BAYES | Suhadi | Jurnal Simantec. simulasi... doi.org/10.21107/simantec.v10i1.11686SIMULASI KLASIFIKASI HAMA DAN PENYAKIT PADA JAGUNG DENGAN NAIVE BAYES Suhadi Jurnal Simantec simulasi doi 10 21107 simantec v10i1 11686
  3. Klasifikasi Penyakit Daun Pada Tanaman Jagung Menggunakan Algoritma Support Vector Machine, K-Nearest... doi.org/10.52158/jacost.v4i1.484Klasifikasi Penyakit Daun Pada Tanaman Jagung Menggunakan Algoritma Support Vector Machine K Nearest doi 10 52158 jacost v4i1 484
  4. Identifying Types of Corn Leaf Diseases with Deep Learning | INSYST: Journal of Intelligent System and... jurnal.istts.ac.id/index.php/INSYST/article/view/347Identifying Types of Corn Leaf Diseases with Deep Learning INSYST Journal of Intelligent System and jurnal istts ac index php INSYST article view 347
Read online
File size782.79 KB
Pages6
DMCAReport

Related /

ads-block-test