1. PENDAHULUAN
Saat ini pertanian mempunyai peranan penting dalam kehidupan modern dan berkontribusi penuh dalam
perkembangan ekonomi dan ketahanan pangan. Salah satu produk pertanian adalah buah apel. Apel merupakan
salah satu buah yang paling banyak dikonsumsi di seluruh dunia yang berasal dari daerah Asia barat, buah ini
dapat tumbuh di iklim subtropis dan pada tahun 1934 tanaman apel ini mulai di tanam di Indonesia. Salah satu
masalah yang saat ini dihadapi oleh para petani adalah adanya hama tanaman apel. Menurut data statistik yang di
keluarkan oleh Badan Pusat Statistik Nasional tahun 2021 tentang statistik produksi buah-buahan di Indonesia
buah apel di produksi adalah sebanyak 509.544 ton lebih sedikit dari tahun sebelumnya yakni 519.53. Beberapa
jenis hama pada tanaman apel terdapat setidaknya 3 jenis diantarannya adalah jenis yaitu hama Apple Scab yang
disebabkan oleh jamur venturia inaequalis, Apple Black Rot oleh jamur Botryosphaeria obtusa dan Apple Cedar
/Apple Rust yang disebabkan oleh jamur Gymnosporangium juniperi-virginianae. Semua hama tersebut
mengakibatkan pertumbuhan tanaman dan kualitas buah yang dihasilkan kurang baik yang imbasnya adalah
kepada nilai jual buah apel tersebut. Di Indonesia sendiri untuk mengendalikan masalah tersebut kebanyakan
masih menggunakan cara-cara tradisional, salah satunya adalah dengan memberikan cairan pembasmi hama
seperti pestisida pada tanaman tersebut, di mana penggunaan pestisida mempunya dampak negatif baik bagi
Dede Husen, Copyright © 2022, MIB, Page 2103
Submitted: 09/08/2022; Accepted: 31/08/2022; Published: 25/10/2022
JURNAL MEDIA INFORMATIKA BUDIDARMA
Volume 6, Nomor 4, Oktober 2022, Page 2103-2110
ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)
Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib
DOI: 10.30865/mib.v6i4.4667
kesehatan maupun lingkungan sekitar. Kebutuhan petani akan ahli atau pakar hama dan penyakit tanaman juga
cukup diperlukan dikarenakan pakar tersebut dapat memberikan analisis terkait dengan hama apa yang ada pada
pohon apel tersebut agar dapat memberikan solusi terbaik secara akurat, akan tetapi orang yang ahli di bidang
tersebut tentunya masih terasa kurang. Maka hal yang paling mungkin dilakukan adalah dengan memanfaatkan
teknologi yang ada dan mungkin digunakan saat ini guna membantu para petani untuk mengendalikan hama pada
tanaman apel tersebut.
Beberapa penelitian telah dilakukan terkait masalah tema yang sama telah dilakukan [1] dalam
penelitiannya penulis melakukan pemodelan terhadap 7700 dataset training dan 1943 data validasi yang dibagi
ke dalam 4 kelas yaitu Apple scab, black root, rust dan healthy, sebelum proses training semua data yang masuk
akan di lakukan proses wrapping dan cropping sesuai dengan edge objek utama dengan dimensi 256x256 piksel
dengan format RGB sehingga diharapkan akan menghasilkan akurasi tinggi dan tentunya menghilangkan noise.
Pada tahapan uji coba masing–masing dari tiap kelas telah di uji dengan tingkat akurasi tinggi, dan hasil akurasi
keseluruhan model training tersebut adalah sebesar 97.1% akurasi.
Penelitian serupa juga pernah dilakukan [2], dalam penelitian ini arsitektur LeNet-5 digunakan dalam
metode Convolutional Neural Network dengan mengolah 3151 dataset citra daun apel dengan tingkat akurasi 75%,
peneliti disini menggunakan dataset yang berasal dari Plant Village Crowd AI. Penelitian ini menggunakan model
arsitektur LeNet-5 dengan mengubah parameter agar meningkatkan hasil akurasi, yaitu menggunakan 32 maps
yang berukuran 5 x 5 (C1) dengan maxpooling 2 x 2 (S1). Selanjutnya menggunakan 64 maps yang berukuran 5 x
5 (C2) dengan maxpooling 2 x 2 (S2). Kemudian dilanjutkan dengan memakai 2 hidden layer, hidden layer
pertama memiliki 280 neuron dan pada hidden layer kedua memiliki 150 neuron. Kemudian untuk mengetahui
tingkat akurasi model dengan menggunakan confusion matrix recall. Pengujian ini dilakukan dengan melakukan
iterasi epoch yaitu epoch 50, epoch 75 dan 100 dimana epoch tertinggi memiliki tingkat akurasi tertinggi yaitu
97.8%. Hasil dari confusion matrix didapatkan hasil akhir akurasi model sebesar 89.62%.
Dalam penelitian lain [3] juga telah dilakukan dimana dataset sebanyak 270 sayur kol yang di kelompokan
ke dalam 2 label yaitu sayur kol yang baik/layak dan buruk serta untuk pembagiannya 210 data training dan 60
data testing. Pada penelitian ini penulis menggunakan skema dengan learning rate sebesar 0.004, iterasi epoch 30
dan 3 metode Stochastic Gradient Descent (SGD), Adaptive moment (Adam), dan Root Mean Square Propagation
(RMSprop) dengan hasil akurasi tertinggi pada metode Adaptive Moment (Adam) dengan akurasi data testing 80%
dan 73% data training berdasarkan komposisi warna yang terdapat dalam citra.
Dalam artikel publikasinya [4] penelitiannya penulis mengumpulkan 13.689 dataset daun apel yang telah
di kelompokan ke dalam 4 jenis penyakit daun apel yaitu Mosaic, Rust, Brown Spot dan Alternaria digunakan
untuk membuat model untuk mendeteksi penyakit pada daun apel, metode yang digunakan pada penelitian ini
adalah dengan menggunakan metode Deep Convolutional Neural Network. Hasil eksperimen menunjukkan bahwa
model yang di buat pada penelitian ini mencapai tingkat akurasi tinggi yakni sebesar 97.62% pada data testing dan
tentunya lebih tinggi dari model tradisional lainnya, jika dibandingkan dengan model AlexNet standar, parameter
yang di gunakan berkurang secara signifikan yaitu sebesar 51.206.928 dan menunjukkan tingkat konvergensi yang
lebih cepat. Kemudian metode yang dihasilkan terbukti lebih tinggi akurasinya yakni sebesar 10,83% jika
menggunakan dataset sintesis dibanding dengan dataset asli. Pada penelitian ini penulis melakukan duplikasi data
gambar yang asli, dimana data gambar asli hanya terdapat 1053 gambar masing-masing 252 gambar mosaic, 319
gambar Brown Spot, 182 Gambar Rust, dan 300 gambar Alternaria leaft spot dimana semua gambar tersebut
diambil di beberapa daerah di China dengan resolusi asli 2456x2058 piksel. Teknik yang digunakan dalam
memperbanyak dataset ini adalah dengan melakukan metode image processing Direction Disturbance yakni
dengan mengubah arah dari gambar tersebut dengan rotasi 90o, 180o, 270o dan mirror symmetry termasuk
horizontal symmetry kemudian yang kedua adalah metode Light Disturbance dengan melakukan beberapa
pemrosesan pada gambar yaitu proses low brightness, high brightness, low contrast, high contrast, low sharpness
dan high sharpness. Pada akhirnya dari sebuah gambar asli akan menjadi 12 dataset, hasil akhir dari image
processing ini adalah terdapat 10.88 data training dan 2801 gambar testing telah terbentuk dengan dimensi baru
sebesar 256x256 piksel.
Penelitian serupa juga pernah dilakukan pada daun kentang [5] sebagai objek penelitiannya. Dataset
training yang terdiri dari 922 citra daun kentang yang telah di klasifikasikan dengan rincian 400 daun kentang
dengan kelas Later Bright, 400 daun kentang dengan kelas Early Bright dan 122 Daun dengan kelas Healty.
Metode Convolutional Neural Network pada epoch ke-10 dengan batch size 20 dengan total data training 922
gambar dan data testing 230 gambar menghasilkan nilai akurasi 95% dan untuk akurasi validasi menghasilkan
94%.
Dalam penelitian lain dengan objek daun jagung [6] peneliti ini menerapkan metode Deep Convolutional
Neural Network yang kemudian model Deep CNN tersebut di sematkan kedalam perangkat IoT Rasbery Pi 3
dimana hasil dari penerapan metode Deep CNN ini mempunyai akurasi tertinggi pada modelnya sebesar 88.46%
dimana penyakit pada daun jagung di klasifikasikan kedalam 3 jenis daun yaitu Commont Rust, Northern leaft
Brigde dan Healty leaf.
Pada penelitian ini penulis menggunakan dataset public dari Kaggle dimana terdapat 3760 data citra yang
telah di klasifikasikan kedalam 4 kelas citra daun apel diantarannya adalah kelas yaitu Apple Scrub, Apple Black
Root, Apple Cedar/Rust (Gymnosporangium juniperi virginianae) dan healthy. Kemudian pada penulis akan
Dede Husen, Copyright © 2022, MIB, Page 2104
Submitted: 09/08/2022; Accepted: 31/08/2022; Published: 25/10/2022
JURNAL MEDIA INFORMATIKA BUDIDARMA
Volume 6, Nomor 4, Oktober 2022, Page 2103-2110
ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)
Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib
DOI: 10.30865/mib.v6i4.4667
menerapkan teknik augmentasi data random rotation, horizontal flip dan vertical flip untuk meningkatkan akurasi
model dan mengurangi overfitting dan mengimplementasikannya pada model convolutional neural network.
Penelitian ini diharapkan dapat diterapkan kedalam perangkat mobile sehingga petani dapat langsung
menggunakannya untuk mendeteksi penyakit pada tanaman apel melalui analisa penyakit pada daun apel dan dapat
melakukan tindakan pencegahan ataupun pengobatan pada tanaman tersebut sehingga dapat meminimalisir buah
yang cacat dan meningkatkan kualitas buah apel itu sendiri.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Pada penelitian ini penulis melakukan beberapa tahapan-tahapan penelitian dimana tahap pertama penulis
melakukan analisa dan validasi masalah yang akan di teliti kemudian melakukan studi literatur terkait dengan
penelitian terdahulu termasuk menentukan metode atau algoritma yang akan di pakai. Setelahnya peneliti akan
mulai mengumpulkan data-data yang di perlukan, pada tahap ini penulis mengumpulkan data citra dari public
dataset Kaggle. Data yang telah terkumpul akan mulai masuk kedalam tahap preprocessing data dimana dataset
akan dibagai kedalam beberapa bagian diantaranya adalah dataset training (80%), dataset validasi (10%) dan
dataset testing (10%), data-data tersebut tahap ini akan di pakai untuk model dengan metode Convolutional Neural
Network dimana akan di terapkan teknik data augmentasi tertentu untuk menghindari overfitting dan meningkatkan
akurasi model, setelah mendapatkan model yang mempunyai nilai akurasi tinggi penulis akan melakukan
deployment model kedalam platform web maupun mobile apps dan pada tahap akhir akan mulali
mendokumentasikan hasil penelitian ini. Berikut flowchart alur metodologi penelitiannya:
Mulai
Validasi Penelitian
Studi Literatur
Model 1 Model 2
Ya
Deployment Model
Selesai
Total 3760
Selanjutnya setelah proses augmentasi data dilakukan penulis membagi dataset kedalam 3 bagian utama
untuk proses training model yaitu data training sebanyak 80%, data validation sebanyak 10%, dan data testing
sebanyak 10% dimana sebaran datanya dapat kita lihat dalam tabel dibawah ini:
Tabel 2. Sebaran Dataset Penyakit Kelas Penyakit Daun Apel
Jenis Kelas Daun Data Training Data Validation Data Testing Total
Apple Scab 504 137 100 741
Apple Black Root 496 137 100 733
Apple Cedar/rust 220 127 100 447
Apple Healthy 1445 229 165 1839
Total 2665 630 465 3760
3.2. Pengaruh Parameter Model
Pada penelitian ini penulis melakukan beberapa pengujian dengan beberapa parameter untuk mendapatkan hasil
maksimal. Parameter yang di ujikan pada model yang di bangun diantaranya adalah augmentasi data, pengaruh
adam optimizer, pengaruh ukuran gambar (input shape), jumlah epoch, dan Batch Size.
1. Pengaruh Ukuran Citra
Pada penelitian ini penulis melakukan percobaan input citra dengan dua jenis ukuran yang berbeda, ukuran yang
di ujikan pada penelitian ini adalah ukuran 256x256 dan 512x512, jumlah epoch yang digunakan pada percobaan
ini sebanyak 60. Berikut hasil uji validasi input citra pada model yang dibangun.
Tabel 3. Hasil uji validasi ukuran input citra
Ukuran Citra Validasi Akurasi Validasi Loss Waktu
256x256 99.66% 0.0020 1.9 jam
512x512 99.57% 0.0079 8.1 Jam
2. Pengaruh Jumlah Epoch
Salah satu parameter yang mempengaruhi performa sebuah model CNN adalah jumlah epoch, pengertian dari
epoch itu sendiri adalah satu siklus atau putaran algoritma machine learning belajar dari jumlah dataset training.
proses pembelajaran berulang-ulang bertujuan untuk mencapai nilai konvergensi yang baik, diamana tidak ada
patokan yang pasti mengenai jumlah epoch yang harus di gunakan[14], [15], maka dari itu penulis melakukan uji
coba parameter epoch dari rentang 10 sampai dengan 60. Berikut hasil uji model CNN dengan beberapa
pengubahan parameter epoch.
Tabel 4. Hasil uji parameter jumlah epoch
Epoch Validasi Akurasi Validasi Loss Waktu
10 76.07% 0.2502 10 Menit
20 92.90% 0.2806 40 Menit
30 94.83% 0.1615 57.5 Menit
40 98.92% 0.0433 76.6 Menit
50 98.70% 0.0422 104.1 Menit
60 99.56% 0.0220 115 Menit
3. Pengaruh Data Augmentasi
Uji eksperimen dataset dengan menerapkan teknik data augmentasi cukup berpengaruh pada hasil akhir training,
penulis membuat 2 percobaan pengujian model dengan data asli dengan model yang di terapkan data augmentasi,
teknik augmentasi yang di terapkan diantarannya adalah teknik random rotation (100), horizontal flip dan vertical
flip.
Dede Husen, Copyright © 2022, MIB, Page 2107
Submitted: 09/08/2022; Accepted: 31/08/2022; Published: 25/10/2022
JURNAL MEDIA INFORMATIKA BUDIDARMA
Volume 6, Nomor 4, Oktober 2022, Page 2103-2110
ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)
Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib
DOI: 10.30865/mib.v6i4.4667
Tabel 5. Perbandingan hasil uji coba data augmentasi.
Model Validasi Akurasi Validasi Loss
CNN (data asli) 94.85% 0.5105
CNN (data augmentasi) 99.57% 0.0220
Hasil dari tabel tersebut menujukan perbedaan akurasi yang cukup siginifikan dimana augmentasi data
dapat mengurasi overfitting dan meningkatkan akurasi. Berikut grafik perbedaan model dengan data augmentasi
dengan model dengan tanpa augmentasi
Gambar 3. Grafik perbandingan data training dan validasi Dengan augmentasi (2 kiri) & tanpa augmentasi (2
kanan)
3.3. Evaluasi Model
Pada proses ini penulis menggunakan kombinasi parameter-parameter yang telah di uji sebelumnya mendapatkan
kombinasi parameter yang baik untuk model yang akan dilatih, maka penulis melakukan training model dengan
dataset yang telah di tentukan yaitu dengan persentase data training sebanyak 2665 (80%), 630 data validasi (10%)
dan data testing sebanyak 465 (10%). Untuk mengukur parameter model Convolutional Neural Network (CNN)
penulis menggunakan uji performa confusion matrix[16]. Berikut hasil ujinya.
4. KESIMPULAN
Berdasarkan hasil penelitian diatas dapat disimpulkan bahwa pengaruh akurasi pada model convolutional neural
network yang dibangun dapat di pengaruhi oleh proses augmentasi data, jumlah epochs, serta ukuran citra.
Kombinasi parameter yang tepat dapat menghasilkan nilai akurasi yang tinggi pada model yang di bangun, akurasi
tertinggi pada penelitian ini adalah 99.66% dengan parameter epoch 60, ukuran citra 256x256 serta penerapan
teknik augmentasi data horizontal flip, vertical flip & random rotation. Dengan demikian model mampu ini dapat
mendeteksi hama pada daun apel dengan cepat dan akurat.
UCAPAN TERIMAKASIH
Ucapan terima kasih saya sampaikan kepada seluruh civitas akademi dari Universitas Amikom Yogyakarta selaku
kampus tempat saya bernaung dan belajar. Kemudian saya ucapkan terima kasih juga kepada Ibu Prof. Dr. Kusrini
M.Kom dan Pak Kusnawi. M.Kom selaku dosen pembimbing saya serta seluruh keluarga saya yang telah
mendukung saya dalam proses menimba ilmu dan tak lupa kepada pemberi beasiswa saya Prodi Teknik
Informatika Universitas Kuningan.
REFERENCES
[1] A. Asrafil et al., “KLASIFIKASI PENYAKIT TANAMAN APEL DARI CITRA DAUN DENGAN
CONVOLUTIONAL NEURAL NETWORK,” SSEBATIK, vol. 24, pp. 207–212, 2020.
[2] G. Wicaksono and S. Andryana, “Aplikasi Pendeteksi Penyakit Pada Daun Tanaman Apel Dengan Metode
Convolutional Neural Network,” JOINTECS (Journal of Information Technology and Computer Science), vol. 5, no.
1, pp. 9–16, 2018.
[3] R. Dhamayanti, M. F. Rohmah, and S. Zahara, “Penggunaan Deep Learning Dengan Metode Convolutional Neural
Network Untuk Klasifikas Kualitas Kol Berdasarkan Citra Fisik,” SUBMIT (Jurnal Ilmiah Teknologi Informasi dan
Sains) , vol. 1, pp. 8–15, 2021, [Online]. Available: http://ejurnal.unim.ac.id/index.php/submit
[4] B. Liu, Y. Zhang, D. J. He, and Y. Li, “Identification of apple leaf diseases based on deep convolutional neural
networks,” Symmetry (Basel), vol. 10, no. 1, Jan. 2018, doi: 10.3390/sym10010011.
[5] A. J. Rozaqi, A. Sunyoto, and R. Arief, “Deteksi Penyakit pada Daun Kentang Menggunakan Pengolahan Citra dengan
Metode Convolutional Neural Network Detection of Potato Leaves Disease Using Image Processing with
Convolutional Neural Network Methods”.
[6] S. Mishra, R. Sachan, and D. Rajpal, “Deep Convolutional Neural Network based Detection System for Real-time
Corn Plant Disease Recognition,” in Procedia Computer Science, 2020, vol. 167, pp. 2003–2010. doi:
10.1016/j.procs.2020.03.236.
[7] O. Bayat, S. Aljawarneh, H. F. Carlak, International Association of Researchers, Institute of Electrical and Electronics
Engineers, and Akdeniz Üniversitesi, Proceedings of 2017 International Conference on Engineering & Technology
(ICET’2017) : Akdeniz University, Antalya, Turkey, 21-23 August, 2017.
[8] Q. shi Zhang and S. chun Zhu, “Visual interpretability for deep learning: a survey,” Frontiers of Information
Technology and Electronic Engineering, vol. 19, no. 1. Zhejiang University, pp. 27–39, Jan. 01, 2018. doi:
10.1631/FITEE.1700808.
[9] Amity University and Institute of Electrical and Electronics Engineers, 10th International Conference on Cloud
Computing, Data Science & Engineering : proceedings of the Confluence 2020 : 29-31 January 2020, Amity
University, Uttar Pradesh, India.
[10] P. Enkvetchakul and O. Surinta, “Effective Data Augmentation and Training Techniques for Improving Deep Learning
in Plant Leaf Disease Recognition,” Applied Science and Engineering Progress, Jan. 2021, doi:
10.14416/j.asep.2021.01.003.