134-Article Text-797-1-10-20231226

Jurnal ICT : Information Communication & Technology
Vol. 23, N0.2, Desember 2023, pp. 347-354

p-ISSN: 2302-0261, e-ISSN: 2303-3363, DOI: 10.36054/jict-ikmi.v19i1.119
Model Convolutional Neural Network : Sistem Cerdas

untuk Mendeteksi Penyakit pada Tanaman Sayur
Anwar Sadad1*, Johni Pasaribu2
1,2
Program Studi Sistem Informasi, Politeknik Piksi Ganesha, Indonesia
Email: 1522402034_anwar-sadad@piksi.ac.id, 2 johni_0106@yahoo.com
INFORMASI ARTIKEL ABSTRAK

Histori artikel: Abstract- The economy depends heavily on agricultural output,
therefore the study of plant diseases is vital to the agricultural sector.
Naskah masuk, 30 September 2023
Plant diseases are common, yet farmers still have a significant problem
Direvisi,
in assuring the quality and quantity of their output. Therefore, it is
Diiterima, 01 November 2023
crucial to pay close attention to plant illnesses and how they influence
plants. The most current developments in image identification, known
as CNNs (Convolutional Neural Networks), enable quick and precise
diagnosis. This study demonstrates the value of CNN in identifying
plant diseases and their processes. The research focuses on 11
categories of plant diseases, with 3 categories for healthy plants and 8
for sick plants.After 15 epoch, the training stops at epos 6 with an error
of 0.1233 and a precision of 0.9575. Val_loss is 0.2019 and
val_accuracy is 0.9329. The CNN model was able to detect plant
disease with a test accuracy of 83.6%. This shows that the technology
can identify health problems in plants quickly and accurately,
especially in the context of this research..
Kata Kunci: Abstrak- Produktivitas pertanian sangat penting bagi perekonomian,

dan penelitian tentang penyakit tanaman memainkan peran penting
CNN,
dalam dunia pertanian. Penyakit tanaman adalah hal yang normal, dan
Dataset,
memastikan kualitas dan kuantitas produk masih menjadi tantangan
Penyakit Tanaman
serius yang dihadapi oleh para petani. Oleh karena itu, perhatian
mendesak harus diberikan terhadap penyakit tanaman dan dampak
langsungnya terhadap tanaman. Jaringan saraf konvolusional (CNN,
convolutional neural networks) adalah teknologi terbaru untuk
pengenalan gambar dan memungkinkan diagnosis secara cepat dan
spesifik. Penelitian ini menunjukkan pentingnya CNN untuk
mendeteksi penyakit tanaman dan cara kerjanya. Penelitian ini
memfokuskan pada 11 kategori penyakit tanaman, dengan 3 kategori
tanaman sehat dan 8 kategori tanaman sakit.Setelah 15 epoch,
pelatihan berhenti pada epoch 6 dengan loss 0.1233 dan akurasi
0.9575. Val_loss adalah 0.2019 dan val_accuracy 0.9329. Model CNN
berhasil mendeteksi penyakit tanaman dengan akurasi testing 83,6%.
Ini menunjukkan bahwa teknologi ini dapat mengidentifikasi masalah
kesehatan pada tanaman secara cepat dan akurat, khususnya dalam
konteks penelitian ini.
Copyright © 2023 LPPM - STMIK IKMI Cirebon
This is an open access article under the CC-BY license
Penulis Korespondensi:
Johni S Pasaribu
Program Studi Sistem Informasi,
Politeknik Piksi Ganesha
Jl. Gatot Subroto No.301, Bandung, Indonesia
Email: johni_0106@yahoo.com, johnipa1000@gmail.com
https://ejournal.ikmi.ac.id/index.php/jict-ikmi 347
Jurnal ICT : Information Communication & Technology p-ISSN: 2302-0261
Vol. 23, N0.2, Desember 2023 , pp. 347-354 e-ISSN: 2303-3363
1. Pendahuluan Pengembangan Sistem cerdas mengunakan

Ekonomi negara bergantung pada sektor CNN sudah lumayan banyak di pakai bisa diliat dari
pertanian. Namun, tantangan yang dihadapi olеh beberapa jurnal referensi. Penelitian oleh Joelyan
para pеtani sеmakin komplеks, salah satunya adalah Vicky dkk (2023) yaitu “ IMPLEMENTASI
ancaman pеnyakit tanaman. Pеnyakit-pеnyakit ini PENDETEKSI PENYAKIT PADA DAUN
dapat mеngurangi hasil panеn, mеngurangi kualitas ALPUKAT MENGGUNAKAN METODE CNN”
produk pеrtanian, dan bisa berakibat mеngganggu pengunaan CNN pada penelitian ini bisa
kеtahanan pangan sеcara global. Semakin banyak mendapatkan akurasi sebesar 80% dengan 3 sampel
peran teknologi dalam mengatasi masalah dalam penyakit yaitu Embun Jelaga, Penyakit Kuning, dan
pеrtanian. Salah satu revolusi tеknologi yang Penyakit Cessospora. jumlah data yang dipakai yaitu
mеnjanjikan adalah pеnggunaan Convolutional 265 Datasheet penyakit[1]. Selanjutnya penelitian
Nеural Nеtwork (CNN) yang adalah bеntuk dari oleh Andhika Bagas Prakosa dkk yaitu “
kеcеrdasan buatan, untuk mеmprеdiksi pеnyakit IMPLEMENTASI MODEL DEEP-LEARNING
pada tanaman. CNN adalah algoritma yang mampu CONVOLUTIONAL NEURAL NETWORK
mеmahami dan mеnganalisis citra atau gambar (CNN) PADA CITRA PENYAKIT DAUN
sеcara mеndalam, dan hal ini dapat ditеrapkan untuk JAGUNG UNTUK KLASIFIKASI PENYAKIT
mеndеtеksi pеnyakit tanaman dеngan tingkat TANAMAN” pengunaan CNN pada penelitian ini
akurasi yang tinggi. dengan perbandigan 40% data test 60% data trianing
Hasil wawancara dengan petani di daerah dan 50 epoch, mendapatkan akurasi 0.9990 atau
Pangalengan, Bandung Selatan, menunjukkan 99% dengan jumlah data 3814 data penyakit
bahwa salah satu metode yang digunakan para petani Common Rush (Penyakit Karatan) dan 3178 data
untuk menemukan penyakit pada tanaman adalah Jagung Sehat[2]. Selanjutnya penelitian oleh Bagas
dengan melakukan observasi manual. Anang Julianto dkk yaitu “ IMPLEMENTASI METODE
contohnya, petani yang berfokus pada tanaman CNN PADA APLIKASI ANDROID UNTUK
tomat, “berbicara tentang indetifikasi penyakit DETEKSI PENYAKIT PADA DAUN PADI”
hanya dilakukan jika terlihat daun yang sudah rusak, pengunaan CNN pada penelitian ini mengunakan
Kita tidak bisa melakukan identifikasi dini ketika 1200 data dengan perbandingan 90:10 dengan
daun masih terlihat baik dan tidak rusak”. Kemudian akrusasi traning sebesar 80% dan testing sebesar
Imas Rohaeti, petani yang berfokus pada tanaman 87% dengan penyakit yang diteliti yaitu Hawar
kentang, “Mengukapkan sulitnya memilih obat utuk Daun, Bercak Daun, dan Hispa[3] Berdasarkan
tanaman dikarenakan bentuk daun ketika Refensi diatas, bisa dilihat bahwa penelitian
teridentifikasi penyakit sama ”. Berdasarkan hasil mengunakan CNN sedang banyak di pakai ditahun
wawancara dengan Anang dan Imas Rohaeti 2023 dikarekan tingkat akurasi dari prediksi bisa
tersebut, dapat disimpulkan keduanya sepakat mencapai 80%-99%. Maka penulis membuat
bahwa identifikasi dini penyakit pada tanaman penelitian tentang “ METODE
menjadi masalah yang perlu diatasi. Anang merasa CONVOLUTIONAL NEURAL NETWORK :
sulit untuk mengidentifikasi penyakit saat daun SISTEM CERDAS UNTUK MENDETEKSI
masih dalam kondisi baik dan tidak rusak, sementara PEYAKIT PADA TANAMAN SAYUR” bertujuan
Imas Rohaeti menghadapi masalah ketika penyakit untuk mengembangakan teknik identifikasi tanaman
memiliki tanda yang serupa. dari citra daun dengan akurat. Kelebihan sistem
Berdasarkan wawancara ini, jelas bahwa yang dibuat penulis dapat dilihat dari penelitian
pengembangan metode yang lebih cepat dan akurat referensi tanaman yang hanya menggunakan satu
untuk mengidentifikasi penyakit pada tanaman jenis tanaman. Oleh karena itu, penulis
diperlukan. Dari masalah tersebut diperlukan mengembangkan sistem dengan menggabungkan
Pengembangan sistem cerdas salah satunya lebih dari satu jenis tanaman, terutama tomat dan
menggunakan metode CNN dalam konteks ini kentang, yang merupakan komoditas pertanian
adalah penerapan teknologi kecerdasan buatan (AI) utama di daerah Pangalengan.
yang memanfaatkan CNN untuk membantu dalam
identifikasi penyakit pada tanaman. CNN adalah 2. Metode Penelitian
jenis arsitektur jaringan saraf tiruan yang sangat Pada gambar 1. diagram menunjukkan
efektif dalam tugas pengolahan gambar, termasuk serangkaian langkah metodologis yang digunakan
pengenalan pola pada gambar. Langkah-langkah dalam penelitian ini, dari tahap observasi penelitian
yang di lakukan CNN antara lain di mulai dari hingga analisis data. Setiap langkah diintegrasikan
Pengumpulan data, Pengolahan data, Pembagunan secara komprehensif dalam proses pengambilan dan
model CNN, Pelatihan model, Validasi dan Evaluasi pengolahan data. Penelitian ini memanfaatkan
model, Dan Implementasi dalam aplikasi. Convolutional Neural Network (CNN) di tahap
implementasi, seperti yang digambarkan dalam sederhana, dan umumnya bertujuan untuk
diagram yang detail. menjawab tiga pertanyaan: kapan, dimana, dan
bagaimana [5], terutama jika ingin
Gambar 1. Diagram Metodologi Penelitian
membandingkan klasifikasi penyakit,
segmentasi, dan deteksi. Tujuan utama dari
penelitian ini adalah membantu petani miskin
dan peneliti dalam mendeteksi penyakit dan
mengobati hama pertanian dan
mengendalikannya.
Gambar 2 menunjukkan proses mengklasifikasikan

penyakit dan kemudian mendeteksi penyakit pada
tanaman.
2.1 Observasi
Melindungi tanaman pertanian dan Gambar 2. Diagnosis penyakit dan hama tanaman
mengendalikan penyakit yang timbul adalah hal 2.2 Pengambilan Dataset
yang penting dalam menjaga ketahanan pangan dan Dataset New Plant Diseases, yang digunakan,
serta langkah untuk mitigasi potensi masalah yang diambil dari situs web Kaggle.com. Ini adalah
timbul. Menurut laporan Organisasi Pangan dan kumpulan data yang dibuat ulang dengan
Pertanian dunia atau disingkat FAO (Food and memperluas kumpulan data asli secara offline.
Agriculture Organization) bahwa banyak pertanian Kumpulan data ini terdiri dari sekitar 87.000 gambar
di dunia dikelola dan diawasi oleh keluarga miskin, daun tanaman yang dibagi antara yang sehat dan
khususnya di negara berkembang. Mengingat bahwa yang sakit, yang kemudian dikelompokkan ke dalam
keluarga-keluarga ini sebagian besar berkontribusi 38 kategori yang berbeda. Semua data tersebut
pada produksi pangan global, maka dengan sistem kemudian dibagi menjadi perbandingan 80/20 antara
yang mendeteksi dan mendiagnosis penyakit data pelatihan dan data validasi. Dari 38 kategori ini,
tanaman secara tepat waktu dapat meningkatkan 12 kategori yang merupakan tanaman sayur[6]
produktivitas dan menjamin stabilnya produk ditunjukkan lebih jelas pada tabel 1.
pertanian. Teknik kecerdasan buatan, terutama
jaringan saraf konvolusional (CNN) untuk diagnosis Tabel 1. Dataset Penyakit Sayur
penyakit dan pengembangan sistem berdasarkan
klasifikasi gambar sangat efektif dalam menentukan Jumlah Jumlah
Kategori Data Data
akurasi deteksi penyakit dan bahkan lebih akurat
Pelatihan Valid
daripada teknik pembelajaran mesin tradisional.
Jagung Bercak Daun 1642 410
Pemilihan data dan ukuran sangat berkontribusi Abu abu
terhadap akurasi dan efektivitas suatu metode. Jagung Karat Biasa 1970 477
Penyakit dan permasalahan tanaman melalui deteksi Jagung Sehat 1859 465
hama dapat didefinisikan menjadi dua jenis utama Jagung Hawar Daun 1908 477
[4]: Utara
1. Penjelasan Penyakit Tumbuhan : Penyakit Kentang Busuk Daun 1939 485
tanaman dan dampak langsungnya terhadap Dini
Kentang Sehat 1824 456
pertumbuhan alami tanaman merupakan Kentang Busuk Daun 1939 485
bencana bawaan yang menyebabkan kematian Tomat Busuk Daun Dini 1920 480
tanaman dan menghambat perkembangan benih Tomat Sehat 1926 481
menjadi bibit. Kecerdasan buatan adalah salah Tomat Busuk Daun 1851 463
Tomat Mosaik Virus 1790 448
satu solusi yang memberikan konsep untuk
penelitian penemuan penyakit. 2.3 Pengolahan Dataset
2. Identifikasi Penyakit dan Hama Tanaman:
Menemukan solusi di bidang ini adalah hal yang
Pada tabel 1 dijelaskan ada 11 kategori yang 1. Lapisan konvolusional. Filter diterapkan di
dimana 3 kategori Tanaman Sehat 8 kategori lapisan konvolusional kernel. Ukuran filternya
Tanaman sakit, Total Data dibagi menjadi dua kecil. Seluruh gambar dipindai, dan disaring
bagian dua puluh persen data valid dan delapan
nilai dan titik warna (piksel) dari beberapa
puluh persen data pelatihan. berikut Diagram Batang
per kategori dari data pelatihan dan data validasi. gambar (fitur) dihitung, biasanya produk
internal diantaranya [11].
2. Lapisan pengumpulan. Pada tahap ini, idenya
adalah perakitan. Ukuran matriks dikurangi, dan
salah satu dari aturan berikut ini digunakan:
A. Maksimum: Menentukan nilai
tertinggi di masing-masing jendela.
B. Nilai rata-rata: Pada langkah ini, nilai
mean aritmatika dalam satu jendela
dihitung.
Teknik yang paling umum digunakan
terlebih dahulu, seperti Max-pooling [12].
Gambar 3. Diagram Jumlah Data Validasi 3. Perataan. Ini mengubah lapisan yang diterima
dari lapisan pengumpulan dan mengubahnya
menjadi array satu dimensi [13].
4. Lapisan yang terhubung sepenuhnya. Lapisan
terakhir dalam jaringan konvolusional dan
perceptron berlapis-lapis. Neuron terhubung
sepenuhnya semua node dari lapisan
sebelumnya. Akhir proses klasifikasi terjadi
pada lapisan ini [14]. Gambar 5 menunjukkan
struktur empat langkah konvolusional jaringan
dan cara memproses data.
Gambar 4. Diagram Jumlah Data Pelatihan
2.4 Convolutional Neural Network

CNN adalah Metode Pembelajaran
Mendalam untuk mendeteksi dan mengenali
objek dalam citra digital[7]. Citra digital adalah
foto atau video yang dapat diolah komputer
karena memiliki bentuk data numerik dalam
bentuk larik atau array yang terdiri dari
sekumpulan nilai real yang menunjukkan
intensitas besar setiap pixel atau kompleks yang
diwakili oleh susunan bit tertentu[8]. CNN
Menjadi salah satu jaringan yang paling penting.
Gambar 5. Struktur CNN
CNN telah mencapai prestasi luar biasa dalam
2.5 Pelatihan Model CNN
banyak hal, seperti visi komputer dan
Pelatihan model adalah proses dimana model
pemrosesan bahasa alami, yang telah menarik
CNN belajar dari data pelatihan pada tahap ini
perhatian akademisi dan industri dalam
dimulai dari Inisialisasi Model kemudian mengatur
beberapa tahun terakhir. Terlepas dari beberapa
Hyperparameter seperti learning rate, bacth size,
gagasan baru yang ditawarkan baru-baru ini[9].
jumlah epoch dan lain lain setelah lengkap model
CNN adalah model paling umum di bidang
melakukan iterasi pelatihan (Epoch) berupa Forward
deep learning karena memiliki arsitektur yang
pass Sеtеlah prеdiksi dihasilkan, loss (kеrugian)
kompleks dan operasi pemrosesan berulang
dihitung untuk mеngukur sеjauh mana prеdiksi
dalam lapisan. Jaringan model terdiri dari input,
modеl cocok dеngan labеl sеbеnarnya dalam data
konkurensi, agregasi, komunikasi lengkap, dan
pеlatihan. Sеtеlah pеrhitungan loss, algoritma
lapisan keluaran. CNN terdiri dari empat
backpropagation digunakan untuk mеnghitung
lapisan: konvolusional, fungsi aktivasi, pooling,
gradiеn loss tеrhadap paramеtеr-paramеtеr modеl.
dan lapisan yang terhubung sepenuhnya [10].
Ini mеlibatkan pеrhitungan gradiеn mеlalui sеmua
layеr dalam jaringan, dari output kе input. Sеtеlah 2.7 Implementasi Model
pеrhitungan loss, algoritma backpropagation Implementasi sistem mengunakan platform
digunakan untuk mеnghitung gradiеn loss tеrhadap Web dengan Framework Flask kemudian model di
paramеtеr-paramеtеr modеl. Ini mеlibatkan konversi menjadi extension .h5 Model CNN yang
pеrhitungan gradiеn mеlalui sеmua layеr dalam telah diubah format kemudian di deploy
jaringan, dari output kе input. Sеtеlah gradiеn mengunakan bahasa pemprograman Python, HTML,
dihitung, paramеtеr-modеl dipеrbarui mеnggunakan PHP sampai menghasilkan hasil prediksi
algoritma optimasi sеpеrti Adam. Tujuan dari
pеmbaruan paramеtеr adalah untuk mеminimalkan 3. Hasil Dan Persamaan
loss. Sеtiap еpoch adalah satu itеrasi mеlalui sеluruh Setelah datasheet disiapkan dilanjutkan
datasеt pеlatihan. Pada akhir sеtiap еpoch, modеl dengan prepocessing data yaitu berupa data
diеvaluasi mеnggunakan data validasi belum pernah pelatihan dengan jumlah 20505 dari 11 kategori dan
terlihat sebelumnya sеlama pеlatihan Ini berfungsi data valid dengan jumlah 5127 dari 11 kategori
untuk mеlihat seberapa jauh modеl gеnеralisasi pada dengan ukuran gambar 256x256 piksel, diteruskan
data tidak tеrlibat dalam pеlatihan. Pеlatihan dengan membuat model CCN mengunakan
bеrhеnti kеtika kritеria bеrhеnti yang tеlah sequential API pada Keras. Menambahkan layer
ditеntukan tеrpеnuhi. Kritеria ini bisa bеrupa jumlah kovolusi pertama dengan 32 filter, ukuran kernel
еpoch maksimum atau kondisi lain seperti 3x3, dengan fungsi aktivasi ReLU, dan input shape
Underfiting dan Overfiting. Sеtеlah pеlatihan sеlеsai 256x256 piksel dengan 3 saluran warna RGB.
modеl CNN yang tеrlatih sudah bisa dipakai untuk Menambahkan layer Max pooling pertama dengan
membuat prediksi pada data baru yang belum pernah ukuran 2x2, menambahkan layar konvolusi kedua
dilihat sebelumnya atau untuk melakukan data test. dengan 64 filter, dengan ukuran kernel 3x3, dan
fungsi aktivasi ReLU. Menambahkan layer Max
2.6 Validasi Dan Evaluasi Model pooling kedua dengan ukuran pooling 2x2.
Evaluasi dan validasi model berfungsi untuk Menambahkan layer konvolusi ketiga dengan 128
mengukur kinerja model dan memastikan model filter, dengan ukuran kernel 3x3, dan fungsi aktivasi
dapat digunakan secara Efektif ReLU, Menambahkan layer Max pooling ketiga
Validasi Model adalah prosеs yang dilakukan dengan ukuran pooling 2x2. Untuk mengubah output
sеlama pеlatihan modеl untuk mеngukur sеjauh dari lapisan konvolusi menjadi vektor satu dimensi
mana modеl tеrsеbut bеrkinеrja baik pada data digunakan Flatten layer. Menambahkan layer Fully
validasi. Validasi memungkinkan untuk memantau Connected (Dense) pertama dengan 256 unit dan
seberapa baik model bekerja selama pelatihan. fungsi aktivasi ReLU. Terakhir menambahkan layer
Dengan membandingkan performa model data output dengan 38 unit dan fungsi aktivasi Softmax.
pelatihan dan data valid memungkinkan kita Untuk compile model mengunakan pengoptimalan
mendekteksi apakah model kita cenderung Adam, fungsi kerugian sparse categorical
Underfiting (terlalu beradaptasi pada data valid) atau crossentropy, dan metrik akurasi
Overfiting (terlalu beradaptasi pada data pelatihan).
Hasil dari validasi dapat membantu mengatur Pada penelitian ini membuat objek Model
Hyperparameter model, seperti learning rate atau Checkpoint yang akan digunakan untuk menyimpan
jumlah epoch . model terbaik selama pelatihan dengan nama file
Evaluasi Model adalah langkah yang dilakukan best_model.h5, dengan memantau nilai maksimum
setelah model dilatih dan disimpan yang bertujuan dari metrik akurasi mengunakan val accuracy,
untuk megukur model secara objektif pada data dikarenkan setelah melakukan pelatihan dengan
testing. Dalam Evaluasi melibatkan beberapa metrik epoch 10 dan epoch 15 model mengalami overviting
perfoma, Seperti Akurasi yaitu rasio antara jumlah maka diputuskan untuk menambahkan
prediksi yang benar dengan total jumlah prediksi. EarlyStooping dengan patience 2 mengindikasi
F1-Score, Recall, Presisi mеtrik-mеtrik ini bahwa akan menunggu 2 epoch sebelum
digunakan khususnya dalam tugas klasifikasi yang memutuskan untuk berhenti. Selanjutnya metode
tidak sеimbang (imbalancе class). Prеsisi mеngukur untuk melatih model mengunakan model fit
banyaknya prеdiksi positif yang bеnar, rеcall generator dan epoch 15.
mеngukur banyaknya instancе positif yang bеrhasil
didеtеksi, dan F1-scorе adalah pеrpaduan dari
kеduanya. Matriks Konfusi adalah penyedia
pandangan rinci tentang seberapa baik model
mengklasifikan data kedalam kelas yang benar dan
kelas yang salah. Terakhir MSE (Mean Squared
Error) digunakan dalam tugas regresi, mengukur
Gambar 6. Diagram kesalahan, Akurasi data pelatihan
sejauh mana prediksi model mendekati nilai aslinya. dan data validasi
Gambar 8. Tampilan Web Prediksi Penyakit
Gambar 9. Tampilan Hasil Prediksi Penyakit
Berdasarkan hasil kurva yang digunakan

sebanyak 15 epoch, epoch berhenti pada angka 6
dengan nilai kesalahan pelatihan (loss) sebesar
0.1233, dan nilai akurasi pelatihan (accuracy)
sebesar 0.9575, sedangkan untuk nilai kesalahan
validasi (val_loss) sebesar 0.2019 dan nilai akurasi
validasi (val_accuracy) sebesar 0.9329
Tahap selanjutnya adalah mencari nilai dari
Gambar 10. Tampilan Akhir WEB dan hasil Prediksi
nilai akurasi data pelatihan (Train accuracy), akurasi
data validasi (Test Accuracy), nilai presisi (Precision Setelah Implementasi selesai dilakukan
Score), nilai recall (Recall Score), dan Confusion pengujian dengan data baru berupa data test yang
matrix selebihnya akan dijelaskan pada gambar 6 diambil berikut hasil yang didapatkan akan dibahas
dan tabel 2 dalam tabel 3.
Tabel 3. Hasil Keluaran WEB data Testing
Tabel 2. Persentase Train, Test, Precision, dan Recal
Jumlah Jumlah Jumlah
Train Accuracy 95.75 % Data Hasil Hasil
Test Accuracy 93.29 % Kategori
Test Berhasil Gagal
Precision Score 93.29 % Jagung Bercak Daun 5 5 0
Recall Score 93.29% Abu abu
Jagung Karat Biasa 5 5 0
Jagung Sehat 5 5 0
Jagung Hawar Daun 5 4 1
Utara
Kentang Busuk Daun 5 5 0
Dini
Kentang Sehat 5 4 1
Kentang Busuk Daun 5 4 1
Tomat Busuk Daun 5 4 1
Dini
Tomat Sehat 5 3 2
Tomat Busuk Daun 5 5 0
Tomat Mosaik Virus 5 2 3
JUMLAH 55 46 9
Gambar 7. Confusion Matrix

Setelah model CNN di buat dilanjutkan Mengunakan Persamaan (1)
implementasi ke web mengunakan framework Flask
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙
dan HTML berikut tampilan dan hasil dari web 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑎𝑡𝑎
46
= 𝑥100% semua yang telah membantu, walau tidak bisa
55
= 83,6%(1) disebutkan satu per satu, semoga segala upaya
mereka mendapat penghargaan yang layak di sisi
Jumlah akurasi dari hasil data test Allah SWTDaftar Pustaka
keseluruhannya adalah 83,6% dengan Jagung [1] J. V. P. Putra, F. Ayu, dan B. Julianto,
34,5%, Kentang 23,6 % dan Tomat 25,4%. Akurasi “Implementasi Pendeteksi Penyakit pada
tinggi didapatkan tanaman Jagung sebesar 95%, Daun Alpukat Menggunakan Metode
kedua Tomat sebesar 86,7 % dan Tomat dengan CNN,” STAINS (SEMINAR NASIONAL
akurasi paling rendah sebesar 70%. TEKNOLOGI & SAINS), vol. 2, no. 1, 2023.
[2] A. B. Prakosa, Hendry, dan R. Tanone,
4. Kesimpulan “IMPLEMENTASI MODEL DEEP
Model CNN terbukti efektif dalam mendeteksi LEARNING CONVOLUTIONAL
penyakit tanaman dengan akurasi hasil testing sebsar NEURAL NETWORK ( CNN ) PADA
83,6% , dan untuk setiap tanamannya diatas 50% CITRA PENYAKIT DAUN JAGUNG,”
dapat dipastikan dengan menggunkan teknologi ini, Jurnal Pendidikan Teknologi Informasi
kita dapat dengan cepat dan akurat (JUKANTI), vol. 6, no. 1, 2023.
mengidentifikasikan masalah kesehatan pada [3] B. Julianto, I. N. Farida, M. A. Dusea, dan
tanaman khususnya penyakit pada penelitian ini, W. Dara, “Prosiding SEMNAS INOTEK
CNN sendiri memafaatkan kemampuan komputasi (Seminar Nasional Inovasi Teknologi) 963
berbasis citra untuk menganalisis gambar daun yang Implementasi Metode CNN Pada Aplikasi
memberikan hasil yang dapat membantu petani Android Untuk Deteksi Penyakit Pada Daun
mengambil langkah langkah yang tepat untuk Padi Penulis Korespondensi,” Online, 2023.
perawatan tanaman. Dengan demikian, Model CNN [4] S. Khan, M. Tufail, M. T. Khan, dan Z. A.
sistem cerdas sudah bisa membantu Khan, “A Deep Learning-Based Detection
meningkatkatkan produktivitas pertanian dan System of Multi-class Crops and Orchards
sebelihnya dapat memastikan ketersediaan pasokan Using a UAV,” 2022. doi: 10.1007/978-981-
sayuran yang lebih sehat bagi masyarakat. 16-9991-7_3.
[5] P. Sharma, Y. P. S. Berwal, dan W. Ghai,
Ada beberapa acuan untuk penelitian lanjutan “Performance analysis of deep learning
dalam penelitian ini. Yaitu Menambah Datasheet CNN models for disease detection in plants
pada penelitian kali ini hanya mencakup 3 jenis using image segmentation,” Information
tanaman dengan mengumpukan dataset yang lebih Processing in Agriculture, vol. 7, no. 4,
besar dan beragam mencakup berbagai jenis 2020, doi: 10.1016/j.inpa.2019.11.001.
tanaman sayur dan berbagai macam penyakit. pada [6] SAMIR BHATTARAI, “New Plant
penelitian kali dalam 2 kali percobaan mengalami Diseases Dataset,” kaggle datasets
overfiting jadi hal yang harus dilakukan salah download -d vipoooool/new-plant-diseases-
satunya mengunakan dataset yang berbeda untuk dataset.
mengukur kinerjanya. Mengembangkan melalui IOT [7] S. Adiningsi dan R. A. Saputra, “JIP (Jurnal
(Internet Of Things) untuk pemantauan lebih luas. Informatika Polinema) IDENTIFIKASI
Terakhir terus perbaharui dan evaluasi model CNN JENIS DAUN TANAMAN OBAT
seiring berjalannya waktu dikarenakan lingkungan MENGGUNAKAN METODE
pertanian dan penyakit tanaman dapat berubah. CONVOLUTIONAL NEURAL
NETWORK (CNN) DENGAN MODEL
Ucapan Terima kasih VGG16”.
Dalam penulisan karya ini, saya ingin [8] N. Z. Munantri, H. Sofyan, dan M. Y.
menyampaikan penghargaan yang mendalam Florestiyanto, “APLIKASI
kepada Dosen Pembimbing saya, Ir. Johni S PENGOLAHAN CITRA DIGITAL
Pasaribu, MT, atas bimbingan, nasihat, dan UNTUK IDENTIFIKASI UMUR
sumbangannya yang berharga dalam menyusun POHON,” Telematika, vol. 16, no. 2, 2020,
kertas ini. Terima kasih juga kepada orang tua saya, doi: 10.31315/telematika.v16i2.3183.
Neng Aning, Suherman, Ma Edah, Warmo, dan [9] Z. Li, F. Liu, W. Yang, S. Peng, dan J. Zhou,
seluruh keluarga yang telah memberikan dukungan “A Survey of Convolutional Neural
tak terbatas dan dorongan yang luar biasa. Tiwi Networks: Analysis, Applications, and
Fadilah, terima kasih atas diskusi-diskusi berharga Prospects,” IEEE Trans Neural Netw Learn
tentang penelitian ini. Saya juga ingin mengucapkan Syst, vol. 33, no. 12, 2022, doi:
terima kasih kepada sahabat-sahabat saya, Osama, 10.1109/TNNLS.2021.3084827.
Zulkifli Nteseo, dan Rivan Fadilah, atas dukungan [10] M. H. Saleem, J. Potgieter, dan K. M. Arif,
dan semangat yang selalu diberikan. Serta kepada “Plant disease detection and classification
by deep learning,” Plants, vol. 8, no. 11.

2019. doi: 10.3390/plants8110468.
[11] V. K. Vishnoi, K. Kumar, dan B. Kumar,
“Plant disease detection using computational
intelligence and image processing,” Journal
of Plant Diseases and Protection, vol. 128,
no. 1. 2021. doi: 10.1007/s41348-020-
00368-0.
[12] K. Nagasubramanian, S. Jones, A. K. Singh,
S. Sarkar, A. Singh, dan B.
Ganapathysubramanian, “Plant disease
identification using explainable 3D deep
learning on hyperspectral images,” Plant
Methods, vol. 15, no. 1, 2019, doi:
10.1186/s13007-019-0479-8.
[13] J. Su dkk., “Wheat yellow rust monitoring by
learning from multispectral UAV aerial
imagery,” Comput Electron Agric, vol. 155,
2018, doi: 10.1016/j.compag.2018.10.017.
[14] U. Shafi dkk., “Wheat yellow rust disease
infection type classification using texture
features,” Sensors, vol. 22, no. 1, 2022, doi:
10.3390/s22010146.

134-Article Text-797-1-10-20231226

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

134-Article Text-797-1-10-20231226

Diunggah oleh

Hak Cipta:

Format Tersedia

Jurnal ICT : Information Communication & Technology

Vol. 23, N0.2, Desember 2023, pp. 347-354

Model Convolutional Neural Network : Sistem Cerdas

INFORMASI ARTIKEL ABSTRAK

Kata Kunci: Abstrak- Produktivitas pertanian sangat penting bagi perekonomian,

1. Pendahuluan Pengembangan Sistem cerdas mengunakan

Gambar 2 menunjukkan proses mengklasifikasikan

2.4 Convolutional Neural Network

Gambar 8. Tampilan Web Prediksi Penyakit

Gambar 9. Tampilan Hasil Prediksi Penyakit

Berdasarkan hasil kurva yang digunakan

Gambar 7. Confusion Matrix

by deep learning,” Plants, vol. 8, no. 11.

Anda mungkin juga menyukai