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
https://ejournal.ikmi.ac.id/index.php/jict-ikmi 348
Jurnal ICT : Information Communication & Technology p-ISSN: 2302-0261
Vol. 23, N0.2, Desember 2023 , pp. 347-354 e-ISSN: 2303-3363
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.
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
https://ejournal.ikmi.ac.id/index.php/jict-ikmi 349
Jurnal ICT : Information Communication & Technology p-ISSN: 2302-0261
Vol. 23, N0.2, Desember 2023 , pp. 347-354 e-ISSN: 2303-3363
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
https://ejournal.ikmi.ac.id/index.php/jict-ikmi 350
Jurnal ICT : Information Communication & Technology p-ISSN: 2302-0261
Vol. 23, N0.2, Desember 2023 , pp. 347-354 e-ISSN: 2303-3363
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
https://ejournal.ikmi.ac.id/index.php/jict-ikmi 351
Jurnal ICT : Information Communication & Technology p-ISSN: 2302-0261
Vol. 23, N0.2, Desember 2023 , pp. 347-354 e-ISSN: 2303-3363
https://ejournal.ikmi.ac.id/index.php/jict-ikmi 352
Jurnal ICT : Information Communication & Technology p-ISSN: 2302-0261
Vol. 23, N0.2, Desember 2023 , pp. 347-354 e-ISSN: 2303-3363
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
https://ejournal.ikmi.ac.id/index.php/jict-ikmi 353
Jurnal ICT : Information Communication & Technology p-ISSN: 2302-0261
Vol. 23, N0.2, Desember 2023 , pp. 347-354 e-ISSN: 2303-3363
https://ejournal.ikmi.ac.id/index.php/jict-ikmi 354