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

Deteksi Hama Pada Daun Apel Menggunakan Algoritma

Convolutional Neural Network
Dede Husen*, Kusrini, Kusnawi
Pascasarjana, Magister Teknik Informatika, Universitas Amikom Yogyakarta, Yogyakarta, Indonesia
Email: 1dede@students.amikom.ac.id, 2kusrini@amikom.ac.id, 3khusnawi@amikom.ac.id
Email Penulis Korespondensi: dede@students.amikom.ac.id
Abstrak−Dewasa ini kebutuhan akan konsumsi buah-buahan kian meningkat seiring dengan meningkatnya populasi manusia
dan kesadaran akan konsumsi makan-makanan bergizi, buah apel merupakah salah satu buah yang paling banyak dikonsumsi
oleh manusia di seluruh dunia. Menurut data yang dikutip dari Badan Pusat Statistik Nasional tahun 2021 produksi buah apel
tahun 2021 menurun dari tahun sebelumnya dari 519.531 ton menjadi 509.544 ton. Salah satu penyebab menurunnya produksi
apel adalah adanya gangguan hama pada tanaman apel tersebut. Setidaknya ada beberapa jenis hama yang dapat di identifikasi
pada daun apel yaitu Apple Scrub (venturia inaequalis), Apple Black Root ( Botryosphaeria) dan Apple Cedar/Rust
(Gymnosporangium juniperi virginianae). Tahapan penelitian dimulai dengan melakukan beberapa studi literatur seputar
penelitian terkait, kemudian merumuskan dan memvalidasi masalah serta mulai melakukan pengumpulan data dari public
dataset Kaggle. Kemudian dalam tahap eksprimennya penulis membagi dataset kedalam tiga bagian dengan persentase 80%
data training, 10 % data validasi dan 10% data testing. Metode klasifikasi citra yang digunakan algoritma Convolutional Neural
Network (CNN) untuk membuat sebuah model yang dapat mengklasifikasikan data citra, para prosesnya implementasi penulis
menggunakan bahasa pemrograman pyhton untuk membangun model tersebut. Penulis melakukan beberapa eksperimen
dengan melakukan perubahan pada beberapa parameter model yang berpengaruh terhadap akurasi model. Untuk evaluasi
performa dan akurasi model menggunakan confusion matrix. Hasil dari penelitian menunjukkan bahwa ukuran citra,
augmentasi data dan jumlah epoch sangat berpengaruh terhadap akurasi model, dari hasil uji tersebut model CNN yang paling
baik akurasinya adalah dengan model dengan parameter ukuran citra 256x256, augmentasi data horizontal flip, vertical flip dan
random rotation serta jumlah epoch ke-60 memiliki tingkat akurasi tertinggi yaitu 99.66%. hasil dari penelitian ini diharapkan
dapat di implementasikan dalam sebuah aplikasi yang dapat di gunakan langsung oleh para petani dalam mendeteksi hama
pada tanaman apel secara cepat dan akurat.
Kata Kunci: Hama Tanaman Apel; Identifikasi; Convolutional Neural Network; Augmentasi Data; Overfitting
Abstract−Today the need for fruit consumption is increasing along with the increasing human population and awareness of
the consumption of nutritious foods, apples are one of the most consumed fruits by humans worldwide. According to data
quoted from the Indonesian National Statistics Center in 2021, apple production in 2021 decreased from the previous year from
519,531 tons to 509,544 tons. One of the causes of the decline in apple production is the presence of pests on the apple plant.
At least there are several types of pests that can be identified on apple leaves, namely Apple Scrub (Venturia inaequalis), Apple
Black Root (Botryosphaeria) and Apple Cedar/Rust (Gymnosporangium juniperi virginianae). The research stage begins with
conducting several literature studies regarding related research, then formulating and validating the problem and starting to
collect data from the Kaggle public dataset. Then in the experimental stage, the author divides the dataset into three parts with
a percentage of 80% training data, 10% validation data and 10% testing data. The image classification method used is the
Convolutional Neural Network (CNN) algorithm to create a model that can classify image data, the process of implementing
the author uses the python programming language to build the model. The author conducted several experiments by making
changes to several model parameters that affect the accuracy of the model. To evaluate the performance and accuracy of the
model using a confusion matrix. The results of the study indicate that image size, data augmentation and the number of epochs
greatly affect the accuracy of the model, from the test results the CNN model with the best accuracy is the model with the
image size parameter 256x256, horizontal flip, vertical flip and random rotation data augmentation and the number of the 60th
epoch has the highest accuracy rate of 99.66%. The results of this study are expected to be implemented in an application that
can be used directly by farmers in detecting pests on apple plants quickly and accurately.
Keywords: Apple Plant Disease; Identification; Convolutional Neural Network; Data Augmentation; Overfitting

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

CNN MODEL CNN MODEL

(without Data Data Preprocessing wih Agmentation Data
Augmentation) (Transformation Geometris)

Validasi Penelitian

Data Data Data

Identifikasi Masalah Data Testing Data Training Data Training
Validation Testing Validation
Tidak

Studi Literatur
Model 1 Model 2

Pengumpulan Data Citra

Pengujian Model Akurasi Baik Pengujian Model

Ya

Deployment Model

Analisa Hasil dan

Pembahsan

Selesai

Gambar 1. Tahapan Penelitian

2.2. Metode Convolutional Neural Network
Metode Convolutional Neural Network (CNN) [7]adalah salah satu kelas deep-forward artificial neural networks,
dimana CNN ini terinspirasi dari proses-proses biologi pola konektivitas antar neurons menyerupai organisasi
visual cortex pada binatang. Cortical Neurons menanggapi stimulasi hanya dalam suatu area terbatas pada bidang
visual atau bidang reseptif (reseptive field). Bidang-bidang reseptif neurons tumpang tindih secara parsial (partial
overlap) sedemikian hingga mencakup seluruh bidang reseptif [8]. CNN terdiri dari lapisan masukan (input layer),
lapisan luar (output layer) dan beberapa lapisan tersembunyi (hidden layers)[6]. Hidden layers terdiri dari
convolutional layers, pooling layers, normalization layers, ReLu Layer, fully connected layers dan loss layers.

Gambar 2. Arsitektur Convolutional Neural Network

2.2.1. Convolutional Layers
Convolutional Layer merupakan layer inti dari CNN dimana sebagian besar proses konvolusi dilakukan disini,
Pada lapisan ini, operasi matematis konvolusi dilakukan antara input citra dan filter dengan ukuran tertentu,

Dede Husen, Copyright © 2022, MIB, Page 2105

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
semisal MxM, dengan menggeser filter diatas citra input, produk titik diambil dari bagian-bagian dari citra input
yang terhubung dengan ukuran filter (MxM).
2.2.2. Pooling Layers
Pooling layers berfungsi menjaga ukuran data ketika proses convolution, yaitu dengan melakukan reduksi sample
(down sampling) atau mereduksi input secara spasial (mengurangi jumlah parameter). Dengan Pooling kita dapat
merepresentasikan data menjadi lebih kecil, mudah dikelola, dan mudah mengotrol overfitting. Kemudian dalam
implementasinnya Teknik pooling yang paling umum digunakan adalah Max Pooling, dimana dengan memilih
nilai maksimum pada suatu area tertentu dan juga teknik lainya adalah teknik average pooling, yakni dengan
mencari nilai rata-rata dari area tertentu
2.2.3. Rectified Linear Units Layer (ReLu Layer)
Rectified Linear Units (ReLU) layers berfungsi untuk menerapkan fungsi aktivasi 𝑓(𝑥) = max(0, 𝑥) nilai
terhadap nilai output hasil konvolusi pada convolutional layer. Fungsi aktivasi ini meningkatkan sifat non
linearitas fungsi keputusan dan jaringan secara keseluruhan tanpa mempengaruhi bidang-bidang reseptif pada
convolutional layer.
2.2.4. Flattening
Tahapan flattening adalah tahapan merubah matriks yang ada di pooling layer menjadi satu kolom atau menjadi
sebuah vektor tunggal, vektor ini akan menjadi bagian dari input layer di artificial neural network. dari pooled
feature map dari proses sebelumnya, kita cukup mengambil baris demi baris dan menggabungkannya menjadi satu
baris 1 kolom.
2.2.5 Dropout Regulation
Dropout Regulation adalah teknik regulasi neural network dimana beberapa neuron akan di pilih secara acak, dan
tidak dipakai selama proses training. dengan menghilangkan suatu neuron berarrti menghilangkannya sementara
dari network yang tidak menggunakan teknik dropout, dengan neural network yang menggunakan teknik dropout.
Teknik ini akan membawa dampak pada performa model dalam melatih serta mengurangi overfitting.
2.2.6. Fully Connected Layer
Pada lapisan fully connected layer setiap neurons memiliki koneksi penuh kesemua aktivasi dalam lapisan
sebelumnya, hal ini sama persis dengan yang ada pada multi layer perception. Model aktivasinya yaitu dengan
komputasi menggunakan suatu perkalian matriks yang diikuti dengan bias offset.
2.2.7. SoftMax
Dalam proses klasifikasi softmax menghitung probabilitas dari setiap kelas target terhadap semua kelas target yang
ada. Rentang probabilitas output pada softmax adalah nilai dari 0 hingga 1, dan apabila semua nilai probabilitas
dari kelas target tersebut dijumlahkan, maka nilainya akan sama dengan satu. Softmax menggunakan eksponensial
dari nilai input yang diberikan dan jumlah nilai eksponensial dari semua nilai dalam output.

3. HASIL DAN PEMBAHASAN

3.1 Pengumpulan Dataset (Data Collecting) & Pra Pemrosesan Citra (image preprocessing)
Pada tahap pengumpulan data penulis melakukan explorasi data di berbagai sumber dataset, salah satunya adalah
melalui situs dataset publik Kaggle, dimana penulis mendapatkan dataset beberapa kategory data penyakit hama
tanaman dan mengambil dataset penyakit tanaman pada daun apel. pada Setelah dataset uji terkumpul maka
langkah selanjutnya adalah melakukan penulis melakukan pengolahan citra uji (image precesing) dimana dataset
uji akan di resize menjadi ukuran 256x256 piksel untuk mempercepat proses komputasi citra [9]. Pada tahap ini
proses konfigurasi data augmentasi pada model yang akan dibangun dilakukan, teknik augmentasi data ini
bertujuan untuk menhindari overfitting dan menigkatkan akurasi model [9] – [11], teknik augmentasi data yang
dilakukan adalah dengan teknik horizontal flip, vertical flip dan random rotasion (100)[12]. Untuk Jumlah dataset
hama tanaman apel telah di bagi kedalam 4 kelas yaitu kelas daun Apple scab, black root, rust dan healthy. Berikut
gambar ke-4 jenis daun apel tersebut:
Tabel 1. Dataset Klasfikasi Hama Daun Apel
Daun Kelas Jumlah Data

Apple Scab 741

Dede Husen, Copyright © 2022, MIB, Page 2106

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
Daun Kelas Jumlah Data

Apple Black Rot 733

Apple Cedar / Rust 447

Apple healthy 1839

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.

Gambar 4. Confusion Matrix

Dede Husen, Copyright © 2022, MIB, Page 2108
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
Selain menggunakan confusion matrix, untuk mengevaluasi model yang telah di bangun penulis juga
menghitung nilai precision score, recall score & f1 score dengan rumus sebagai berikut [17][18]:
𝑁𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑙𝑦 𝑐𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑒𝑑 𝑐𝑙𝑎𝑠𝑠𝑒𝑠
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = × 100% (1)
𝑇𝑜𝑡𝑎𝑙 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑐𝑙𝑎𝑠𝑠𝑒𝑠
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒
𝑃𝑟𝑒𝑐𝑖𝑠𝑠𝑖𝑜𝑛 = × 100% (2)
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒
𝑅𝑒𝑐𝑎𝑙𝑙 = × 100% (3)
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛× 𝑅𝑒𝑐𝑎𝑙𝑙
𝐹1 𝑆𝑐𝑜𝑟𝑒 = 2 × 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+ 𝑅𝑒𝑐𝑎𝑙𝑙 (4)

Tabel 6. Metrik Evaluasi Model

Metrix Training Test Accuracy Precision Score Recall Score F1 Score
Evaluation Accuracy
Score 99.66% 100% 100% 100% 1

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.

Dede Husen, Copyright © 2022, MIB, Page 2109

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
[11] L. Taylor and G. Nitschke, “Improving Deep Learning using Generic Data Augmentation,” Aug. 2017, [Online].
Available: http://arxiv.org/abs/1708.06020
[12] O. O. Abayomi-Alli, R. Damaševičius, S. Misra, and R. Maskeliūnas, “Cassava disease recognition from low-quality
images using enhanced data augmentation model and deep learning,” Expert Systems, vol. 38, no. 7, Nov. 2021, doi:
10.1111/exsy.12746.
[13] R. Poojary, R. Raina, and A. K. Mondal, “Effect of data-augmentation on fine-tuned cnn model performance,” IAES
International Journal of Artificial Intelligence, vol. 10, no. 1, pp. 84–92, Mar. 2021, doi: 10.11591/ijai.v10.i1.pp84-
92.
[14] M. S. Wibawa, “Pengaruh Fungsi Aktivasi, Optimisasi dan Jumlah Epoch Terhadap Performa Jaringan Saraf Tiruan,”
Jurnal Sistem dan Informatika (JSI), vol. 11, pp. 167–174, 2017, [Online]. Available:
http://archive.ics.uci.edu/ml/datasets/Wine
[15] S. Winarti, S. Winiarti, C. Wukir, U. Ahdiani, and T. Ismail, “Klasifikasi Image Untuk Jenis Buku Bacaan Anak-Anak
dengan Menggunakan Convolutional Neural Network,” Jurnal Media Informatika Budidarma, vol. 6, pp. 738–745,
2022, doi: 10.30865/mib.v6i2.3504.
[16] I. Markoulidakis, I. Rallis, I. Georgoulas, G. Kopsiaftis, A. Doulamis, and N. Doulamis, “Multiclass Confusion Matrix
Reduction Method and Its Application on Net Promoter Score Classification Problem,” Technologies (Basel), vol. 9,
no. 4, p. 81, Nov. 2021, doi: 10.3390/TECHNOLOGIES9040081.
[17] F. Davoudi Kakhki, S. A. Freeman, and G. A. Mosher, “Evaluating machine learning performance in predicting injury
severity in agribusiness industries,” Safety Science, vol. 117, pp. 257–262, Aug. 2019, doi: 10.1016/j.ssci.2019.04.026.
[18] K. M. Rashid and J. Louis, “Times-series data augmentation and deep learning for construction equipment activity
recognition,” Advanced Engineering Informatics, vol. 42, Oct. 2019, doi: 10.1016/j.aei.2019.100944.

Dede Husen, Copyright © 2022, MIB, Page 2110

Submitted: 09/08/2022; Accepted: 31/08/2022; Published: 25/10/2022