KLASIFIKASI PENYAKIT TANAMAN APEL DARI CITRA DAUN DENGAN  CONVOLUTIONAL NEURAL NETWORK

Andi Asrafil Ardan Paliwang; M Ridwan Dwi Septian; Margi Cahyanti; Ericks Rachmat Swedia

Authors

Andi Asrafil Ardan Paliwang Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Universitas Gunadarma
M Ridwan Dwi Septian Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Gunadarma http://orcid.org/0000-0001-7863-4618
Margi Cahyanti Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Universitas Gunadarma
Ericks Rachmat Swedia Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Universitas Gunadarma

Keywords:

Apel, Citra, Daun, CNN, Image, Klasifikasi

Abstract

Tanaman Apel merupakan buah tahunan yang berasal dari daerah Asia Barat dengan iklim sub tropis. Di Indonesia tanaman Apel ditanam sejak tahun 1934 hingga saat ini. Tanaman Apel dapat tumbuh dan berbuah baik di daerah dataran tinggi. Para petani biasanya melakukan pencegahan penyakit atau hama dengan melakukan penyemprotan setiap 1 – 2 minggu sekali dengan dosis ringan. Pencegahan ini agar penyakit/hama dapat segera ditanggulangi dan baik jika dilakukan pada pagi atau sore hari. Terkadang petani juga membutuhkan seorang pakar dalam menentukan jenis hama/penyakit pada tanaman Apel agar dapet memberikan solusi terbaik. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali beragam jenis hama/penyakit tanaman Apel dengan cepat dan mudah. Teknologi Deep learning, merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan depat. Deep learning memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek pada citra. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Berdasarkan hasil uji coba, aplikasi berhasil diimplementasikan dengan baik menggunakan framework dart berbasis android dengan hasil final test accuracy yang diperoleh yaitu didapat keakuratan akurasi sebesar 97,1%.

References

Bisong, E. (2019). Building Machine Learning and Deep learning Models on Google Cloud Platform. Springer.
Ernawati. (2018). Karakteristik Uji Organoleptik Pembuatan Cup Cake Menggunakan Tepung Beras Merah. Jurnal Hospitality. Jurnal Hospitality, ISSN:2338-7440.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
Permana, A. H., Asmara, R. A., & Tri, A. R. (2015). Sistem Pakar Diagnosa Hama Dan Penyakit Pada Tanaman Apel Menggunakan Metode Certainty Factor. Jurnal Informatika Polinema, 1(3), 7.
Putra, I. (2016). Klasifikasi citra menggunakan convolutional neural network (CNN) pada caltech 101. Institut Teknologi Sepuluh Nopember.
Shafira, T. (2018). Implementasi Convolutional Neural Networks Untuk Klasifikasi Citra Tomat Menggunakan Keras. Universitas Islam Indonesia.
Sharif Razavian, A., Azizpour, H., Sullivan, J., & Carlsson, S. (2014). CNN features off-the-shelf: an astounding baseline for recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 806–813.
Springenberg, J. T., Dosovitskiy, A., Brox, T., & Riedmiller, M. (2014). Striving for simplicity: The all convolutional net. ArXiv Preprint ArXiv:1412.6806.
Stanford University. (2013). An Introduction to Convolutional Neural Networks. Stanford University. http://scarlet.stanford.edu/teach/index.php/An_Introduction_to_Convolutional_Neural_Networks
Aghdam, H. H., & Heravi, E. J. (2017). Guide to convolutional neural networks. New York, NY: Springer, 10, 978-973.
Suhardjo, H. L., Deaton, B. J., & Driskel, J. A. (1985). Pangan, Gizi dan Pertanian. UI-Pers Jakarta.