2 Juni 2021
ABSTRAK
Permasalahan yang sering terjadi di Kebun Percobaan Pertanian Universitas Udayana
terutama di bidang Agrikultular pada tanaman Holtikultura adalah mengenai penyakit tanaman,
hal ini menyebabkan terjadinya penurunan hasil produksi, sehingga diperlukannya diagnosa
penyakit pada tanaman lebih dini. Penelitian ini memfokuskan pada tanaman pepaya California.
Penyakit pada tanaman ini sering muncul pada bagian daun dan buah. Dengan kemajuan
teknologi di bidang image processing dapat membantu permasalahan yang terjadi pada bidang
pertanian. Pada penelitian ini membangun sebuah aplikasi Android dengan metode CNN
(Convolutional Neural Network) menggunakan arsitektur SqueezeNet. Pengklasifikasikan
penyakit pada tanaman ini yaitu Antraknosa, dan Ringspot Viruse, serta mengklasifikasi pepaya
sehat. Berdasarkan hasil validasi, aplikasi yang dibangun menggunakan metode CNN dan
Arsitektur SqueezeNet, dapat mengenali penyakit Antraknosa, Ringspot Viruse serta Pepaya
sehat melalui daun dengan accuracy 97% sedangkan melalui buah accuracy mencapai 70%.
Kata kunci : Penyakit Pepaya California, Convolutional Neural Natwork, Arsitektur Squeezenet,
Image Processing
ABSTRACT
The problem that often occurs in the Agricultural Experimental Garden of Udayana
University, especially in the field of agricultural crops in holticulture is about plant diseases, this
causes a decrease in production results, so the need for early diagnosis of diseases of plants.
The study focused on California papaya plants. Diseases of this plant often appear on the
leaves and fruits. With advances in technology in the field of image processing can help
problems that occur in the field of agriculture. In this study build an Android application with
CNN (Convolutional Neural Network) method using SqueezeNet architecture. Classifying
diseases in this plant are Anthracnose, and Ringspot Viruse, as well as classifying healthy
papaya. Based on the validation results, the application built using CNN method and
SqueezeNet Architecture, can recognize Anthracnose disease, Ringspot Viruse and Papaya
healthy through leaves with accuracy of 97% while through fruit accuracy reaches 70%.
Keywords : California Papaya Disease, Convolutional Neural Natwork, Squeezenet
Architecture, Image Processing
Viruse atau penyakit Bercak Cincin Pepaya California ini memiliki bobot 0,8 –
sehingga diperlukan pengetahuan khusus 1,5 kg/buah, berkulit hijau tebal serta
mengenai hama dan penyakit. Tidak semua mulus, berbentuk lonjong, buah matang
petani yang ada di Kebun Percobaan berwarna kuning, rasanya manis, daging
Fakultas Pertanian Universitas Udayana buah kenyal serta tebal [4].
memiliki pengetahuan tersebut. Hasil
wawancara dengan petani di Kebun 2.3 Penyakit Tanaman Pepaya
Percobaan Fakultas Pertanian Universitas A. Antraknosa
Udayana bahwa, jika tanaman Pepaya Penyakit Antraknosa diakibatkan oleh
California yang ada di Kebun Percobaan Jamur Colletotrichum gloeosporioides
Pertanian terserang penyakit, para petani (Penz) Sacc. Penyakit pada buah yang
melakukan penanganan dari pengetahuan masih muda ditandai dengan terdapatnya
umum dan pengalaman saja, sehingga bintik kecil kebasah-basahan, bagian ini
untuk penanganannya masih kurang tepat. menghasilkan getah yang berbentuk bintik
Sedangkan untuk mendapatkan informasi [5]. Penyakit ini pada buah muda tumbuh
serta solusi penanganan penyakit tersebut, sangat lambat dan akan berkembang
para petani harus menunggu dosen dari sangat cepat saat buah menjelang masak.
Fakultas Pertanian yang ahli dalam Pada bagian daun, terjadi bercak kecil
penyakit dan hama tanaman untuk kebasah-basahan dan bentuknya tidak
memberikan solusi. teratur, meluas berwarna coklat muda [6],
Berdasarkan informasi diatas maka seperti gambar 1 (a) dan (b).
salah satu solusi adalah memberikan
penanganan awal. Bentuk awal
penanganan yang dapat dilakukan salah
satunya adalah melalui diagnosa atau
identifikasi penyakit yang ada pada Pepaya
California dengan memanfaatkan teknologi
yang ada saat ini.
Maka pada penelitian ini akan
membangun sebuah aplikasi identifikasi
penyakit tanaman Pepaya California
berbasis Android menggunakan metode (a) (b)
convolutional neural network arsitektur Gambar 1 (a) Penyakit Antraknosa Pada
SqueezeNet. Diharapkan dengan adanya Buah (b) Penyakit Antraknosa Pada Daun
aplikasi ini, nantinya dapat menambah
wawasan serta pembelajaran bagi B. Bercak Cincin/ Ringspot Viruse
masyarakat umum dalam
pengidentifikasian serta penanganan
penyakit tanaman Pepaya California secara
tepat.
2. KAJIAN PUSTAKA
2.1 Tanaman Pepaya
Pepaya adalah tanaman buah family (a) (b)
caricaceae yang berasal dari Amerika Gambar 2 (a) Penyakit Bercak Cincin Pada
Tengah serta Hindia Barat. Tanaman ini Buah (b) Penyakit Bercak Cincin Pada
banyak ditanam baik di wilayah tropis Daun
ataupun subtropis serta mudah Penyakit bercak cincin diakibatkan oleh
berkembang melalui media tanah Papaya Ringspot Virus (PRV), yang
berhumus campur pasir, dan cukup sinar menimbulkan daun berganti bentuk dan
matahari [1]. sempit serta membuat pertumbuhan
pepaya terganggu dan buah yang
2.2 Pepaya California dihasilkan akan menurun [7]. Gejala awal
Tanaman Pepaya California merupakan dari serangan virus ini membuat warna
salah satu jenis pepaya yang saat ini daun menjadi kekuningan dan transparansi
banyak ditanam para petani dikarena dari tulang-tulang muda. Pada daun juga
segi keuntungannya yang lumayan besar. terdapat bercak kuning serta daun
terpelintir dengan wujud yang tidak teratur. Gambar 4 Proses Konvolusi pada CNN
Terdapat garis-garis hijau gelap dan bercak
CNN juga memiliki sebuah susunan
seperti cincin pada tangkai daun dan
neuron 3D (lebar, tinggi, dan kedalaman),
batang, sedangkan pada buah seperti
untuk ukuran pada layer terdapat pada
bercak cincin atau mirip huruf C ini
lebar dan tinggi, sedangkan untuk
berwarna lebih gelap dari pada kulit buah
kedalaman mengacu pada jumlah layer.
Pepaya [5], seperti pada gambar 2.
Jumlah layer pada CNN terdapat 2 layer
yaitu: feature learning dan classification
2.4 Convolutional Neural Network
Convolutional neural network ialah
salah satu tipe neural network yang biasa
digunakan pada data image atau gambar.
CNN dapat digunakan untuk mengetahui
serta mengidentifikasi objek pada suatu
image [9]. Metode kerja CNN memiliki
kesamaan pada MLP, namun dalam CNN
setiap neuron dipresentasikan dalam
bentuk dua dimensi, tidak semacam MLP
yang tiap neuron hanya berukuran satu
dimensi seperti pada gambar 5.
2.9 Keras
Keras merupakan interface library
yang digunakan untuk menyederhanakan
implementasi algoritma-algoritma deep
Learning di atas Tensorflow [12]. 3 METODOLOGI PENELITIAN
Pembuatan model jaringan syaraf 3.1 Tahapan Penelitian
menggunakan keras tidak memerlukan Penelitian sistem identifikasi penyakit
penulisan kode untuk mengekspresikan tanaman Pepaya California berbasis
perhitungan matematisnya. Hal ini Android dilakukan dengan langkah-langkah
dikarenakan keras sudah menyediakan seperti gambar 7 dan dijelaskan sebagai
beberapa model dasar untuk CNN dan berikut :
dioptimasi untuk mempermudah penelitian 1. Tahapan pertama yang dilakukan
tentang deep learning. Proses perhitungan dalam penelitian ini adalah melakukan
atau komputasi menggunakan keras akan Perumusan masalah yaitu
berjalan baik dengan menggunakan CPU mengidentifikasi secara spesifik
maupun GPU [13]. mengenai permasalahan atau topik
penelitian. Serta bagaimana tingkat
2.10 Tensorflow akurasi dari aplikasi identifikasi
Tensorflow adalah koleksi software penyakit tanaman Pepaya California
open source untuk komputasi numerik yang menggunakan metode Convolutional
menggunakan grafik aliran data. Node pada Neural Network model arsitektur
grafik menunjukkan operasi matematika, SqueezeNet berbasis Android.
sedangkan tepi-tepi grafik menunjukkan 2. Tahapan kedua yaitu studi literatur dan
susunan data multidimensi (tensor) yang pengumpulan data, studi literatur
dikomunikasikan antartepi grafik. Terdapat didapatkan dari jurnal, artikel, buku
4 komponen computional graph terkait digital yang topiknya terkait dengan
Tensorflow yaitu: operation, tensors, perumusan masalah. Serta dipelajari
variabels, dan sessions. Kelebihan mengenai penyakit Pepaya California,
Tensorflow antara lain, cepat, fleksibel dan serta metode CNN (Convolutional
siap produksi [14]. Neural Network), jaringan syaraf tiruan
dan arsitektur SqueezeNet sebagai
2.11 Tensorflow Lite referensi penelitian. Dan untuk
Tensorflow Lite adalah library machine pengumpulan data dari penyakit
learning yang dirancang khusus untuk tanaman Pepaya berupa data gambar
perangkat mobile. Hal ini memungkinkan berwarna yang diambil dengan
mesin untuk belajar di perangkat dengan menggunakan kamera xiomi 5A yang
latensi rendah dan ukuran binary yang kecil bertempat di Kebun Percobaan
[15]. Tensorflow Lite juga mendukung Pertanian Universitas Udayana dan di
platform Android (Java/C++ API), iOS (C++ Desa Waliang, Abang Karangasem.
API), dan Linux (Python/Java/C++ API). Gambar diambil dengan kondisi terkena
Pada gambar 6 merupakan gambaran cahaya matahari langsung. Terkumpul
arsitektur Tensorflow Lite. sebanyak 4860 gambar Pepaya
California yang terkena penyakit dan
pepaya sehat yang diidentifikasi melalui
daun dan buah yaitu : Antraknosa 1620
citra (810 citra daun dan 810 citra
buah), Ringspot Viruse atau penyakit
cincin 1620 (810 citra daun dan 810
citra buah). Serta Pepaya Sehat 1620
(810 citra daun dan 810 citra buah).
Start
ke sistem dengan menggunakan
blackbox testing yang digunakan untuk
melihat aplikasi tersebut apakah sudah
Perumusan Masalah
berjalan dengan baik atau tidak, setelah
melakukan pengujian blackbox testing
pada aplikasi, selanjutnya melakukan
Studi Literatur dan Pengumpulan Data
pengujian tingkat akurasi aplikasi dalam
mengenali penyakit Antraknosa,
Ringspot Viruse dan Pepaya sehat,
serta melakukan proses evaluasi
Pemodelan Sistem atau Design,
terhadap hasil yang didapatkan.
Evaluasi ini dilakukan agar
Pengerjaan dan Pengembangan
Tidak mendapatkan data akurasi yang dapat
Sistem mengenali Pepaya sehat, penyakit
Antraknosa dan Ringspot Viruse.
6. Tahapan keenam adalah penarikan
Pengujian Sistem dan Evaluasi
kesimpulan dan pembuatan laporan.
Pada tahap ini kesimpulan diambil dari
hasil pengujian serta evaluasi sistem
Sistem Bekerja dengan yang telah dilakukan.
Baik?
Agar model ini dapat digunakan di digunakan sebanyak 4800 data (2400 buah
perangkat mobile, model harus diubah dan 2400 daun), untuk proses validasi
menjadi SqueezeNet model dalam bentuk digunakan 60 data (30 buah dan 30 daun).
Tensorflow, kemudian model ini diubah lagi Gambar 9 merupakan bagan yang
menjadi SqueezeNet model dalam bentuk menggambarkan struktur dari dataset yang
Tensorflow Lite untuk dapat digunakan di digunakan. Dan untuk penjelasan data
perangkat mobile. secara terperinci dapat dilihat pada tabel 1
Pada proses validasi dilakukan dengan
menggunakan aplikasi langsung. Pertama
gambar validasi diambil menggunakan Data Penyakit Pepaya
kamera pada perangkat mobile, kemudian California dan
citra input diproses melalui SqueezeNet Pepaya Sehat
model yang sudah dilatih untuk di ekstraksi (4860 Data (2430
fitur dan diklasifikasikan. Fitur yang buah dan 2430 daun))
didapatkan dari gambar validasi akan
dicocokkan atau dicari kedekatannya 99% 1%
dengan fitur yang sudah ada didalam
SqueezeNet model, selanjutnya sistem
akan memberikan sebuah output berupa Data Training dan
Data Validasi
identifikasi Pepaya sehat dan nama Testing
(60 Data (30 buah
penyakit tanaman Pepaya yaitu Antraknosa (4800 Data (2400
dan 30 daun))
dan Ringspot Viruse dengan nilai buah dan 2400 daun))
probabilitasnya.
Untuk mengetahui performa dari 80% 20%
aplikasi dalam mengenali data validasi
penyakit tanaman Pepaya California yaitu
dengan melihat akurasi dalam mengenali Data Training Data Testing
gambar validasi dari penyakit tanaman (3840 Data (1920 (960 Data (480 buah
Pepaya California. Data validasi yang buah dan 1920 daun)) dan 480 daun))
digunakan berjumlah 60 data, dengan
masing-masing kelas berjumlah 10 data.
pengujian dilakukan berdasarkan Accuracy. Gambar 9. Struktur Data Aplikasi
Akurasi didapatkan dari perbandingan
antara jumlah data benar dengan jumlah Tabel 1 Data Penyakit Antraknosa,
keseluruhan data di kalikan dengan 100%, Ringspot Viruse dan Pepaya Sehat
maka nilai akurasi dapat diketahui dalam Jumlah Data
bentuk persentase seperti pada persamaan No. Nama
Training Validasi
1 Antraknosa 800 10
Daun
2 Ringspot 800 10
Viruse Daun
3 Pepaya Sehat 800 10
1 Daun
4 Antraknosa 800 10
Buah
4 HASIL DAN PEMBAHASAN 5 Ringspot 800 10
4.1 Struktur Data Aplikasi Viruse Buah
Data citra yang digunakan pada 6 Pepaya Sehat 800 10
penelitian ini sebanyak 4860 data gambar Buah
dengan format (.jpg), yang terdiri 2430 data
dari 3 kelas yaitu penyakit Antraknosa, 4.2 Training dan Testing Model
Ringspot Viruse, pepaya sehat yang di Tahap training dan testing pada daun
identifikasi melalui daun dan 2430 data dan buah dilakukan secara terpisah agar
dari 3 kelas penyakit Antraknosa, Ringspot aplikasi dapat belajar mengenali penyakit
Viruse, pepaya sehat yang di identifikasi Antraknosa, Ringspot Viruse, dan pepaya
melalui buah. Data training dan testing sehat melalui daun dan buah. Proses ini
dilakukan untuk memperoleh sebuah model
yang nantinya akan digunakan untuk daun dan buah Pepaya California adalah
klasifikasi. Proses training adalah sebuah kurang lebih 51.09 jam dengan ukuran
proses yang modelnya akan dilatih untuk model yang dihasilkan dalam setiap epoch
mengenali penyakit Antraknosa, Ringspot adalah sama yaitu 6.39 mb.
Viruse pada Pepaya California dan Pepaya Berdasarkan model yang terbentuk
sehat berdasarkan daun dan buah. Pada melalui proses training dan testing, maka
proses ini juga training model akan dibagi digunakannya model epoch 189 untuk
menjadi dua proses yaitu proses training identifikasi daun, dan untuk model buah
dan proses testing. Analisa yang dapat digunakannya epoch 121. Perbandingan
dilihat pada proses ini adalah nilai akurasi data hasil loss dan accuracy dapat dilihat
(ACC) dan loss model (Loss). Pada gambar pada tabel 2 dan tabel 3.
10 dan gambar 11 dapat dilihat proses
Tabel 2 Hasil Akurasi Data Training Dan
Testing Model 189 Daun
Accuracy daun sebesar 97% dan Accuracy Patek (Antraknosa) Pada Pepaya,”
buah sebesar 70%. 2017. [Online]. Available:
https://unsurtani.com/2017/01/pengend
5 KESIMPULAN
Berdasarkan Penelitian yang alian-penyakit-patek-Antraknosa-pada-
dilakukan, penelitian ini telah berhasil Pepaya. [Diakses 2019 November 29].
membangun aplikasi berbasis android yang [7] K. Triyanto, “Cara Mengatasi Hama
dapat mengenali penyakit Antraknosa, dan Penyakit Tanaman Pepaya,” 2016.
Ringspot Viruse serta Pepaya sehat. Dari [Online]. Available:
hasil pengujian data validasi 30 data daun, https://kabartani.com/cara-mengatasi-
dan 30 data buah, diperoleh Akurasi dari hama-dan-penyakit-pada-tanaman-
model SqueezeNet yang cukup baik, pepaya.html. [Diakses 19 Juni 2019].
dengan tingkat akurasi daun mencapai
97%, sedangkan 70% didapatkan untuk [8] W. S. Suartika, “Klasifikasi Citra
akurasi buah. Hal ini menunjukan bahwa Menggunakan Convolutional Neural
model sudah cukup baik dalam mendeteksi Network (Cnn) pada Caltech 101,”
penyakit tanaman pepaya (Antraknosa, Teknik ITS, vol. V, no. 5, p. A65, 2016.
Ringspot Viruse, serta Pepaya Sehat) [9] S. Sena, “Pengenalan Deep Learning
melalui daun dan buah dari data baru yang Part 7 : Convolutional Neural Network
belum terlihat.
(CNN),” 2017. [Online]. Available:
Adapun beberapa saran dalam
https://medium.com/@samuelsena/pen
pengembangan aplikasi ini adalah, untuk
mendapatkan akurasi yang lebih baik genalan-deep-learning-part-7-
sebaiknya memfokuskan ke citra penyakit convolutional-neural-network-cnn-
tersebut agar mengurangi redudansi. b003b477dc94. [Diakses 4 Desember
Selanjutnya diharapkan agar 2019].
menambahkan jumlah kelas penyakit [10] F. N. e. a. Iandola, “SqueezeNet:
pepaya California yang belum ada. AlexNetlevel accuracy with 50x fewer
parameters and,” 2016. [Online].
6. Daftar Pustaka
[11] Y. A. S. S. A. Arrizal Amin, “Klon
[1] A. Soedarya, Agribisnis Pepaya, Perilaku Menggunakan Jaringan Saraf
Bandung: Pustaka Grafika, 2009. Tiruan Konvolusional Dalam Game
SuperTuxKart,” Jurnal Pengembangan
[2] D. R. Priindaryanti, “Pengenalan Pola
Teknologi Informasi dan Ilmu Komputer
Citra Penyakit Tanaman Padi Pada
, vol. 3, no. 1, pp. 866-875, 2019.
Daun Menggunakan Gabor Wavelet
dan Algoritma K-Means,” pp. 4-48, [12] P. Pintar, “Implementasi Deep Learning
2017. Sederhana Menggunakan Keras,”
2018. [Online]. Available:
[3] A. Hidayatuloh, “IDENTIFIKASI
https://medium.com/@planet.pintar/imp
PENYAKIT TANAMAN TOMAT
lementasi-deep-learning-sederhana-
MELALUI DAUN DENGAN METODE
menggunakan-keras-3f5726f007e7.
CONVOLUTIONAL NEURAL
[Diakses 29 Desember 2019].
NETWORK ARSITEKTUR
SQUEEZENET,” 2018. [13] T. Shafira, “IMPLEMENTASI
CONVOLUTIONAL NEURAL
[4] RAR, “Cara menanam biji pepaya
NETWORKS UNTUK KLASIFIKASI
california,” Ayo Berkebun, 7 2016.
CITRA TOMAT MENGGUNAKAN
[Online]. Available: https://ayoo-
KERAS,” p. 34, 2018.
berkebun.blogspot.com/2016/07/cara-
menanam-biji-pepaya-california.html. [14] A. R. &. T. Ramdani, “Tensorflow yang
[Diakses 2019 Oktober 26]. Dikembangkan oleh Google Brain
Team,” 2019. [Online]. Available:
[5] A. S. Indriyani, Pengelolaan Kebun
https://mmsi.binus.ac.id/2019/11/26/ten
Pepaya Sehat, Solok: Balai Penelitian
sorflow-yang-dikembangkan-oleh-
Tanaman Buah Tropika, 2008, p. 23.
google-brain-team/. [Diakses 24
[6] M. Prasojo, “Pengendalian Penyakit Desember 2019].