Classification of Spotted Disease on Sugarcane Leaf Image Using Convolutional Neural Network Algorithm
Klasifikasi Penyakit Pada Citra Daun Tebu Menggunakan Algoritma Convolutional Neural Network
Abstract
Tebu merupakan salah satu komoditas perkebunan yang memiliki peran yang sangat penting karena sebagai bahan utama membuat gula dan etanol. Akan tetapi, masa tanam yang lama kurang lebih 1 tahun menyebabkan tanaman ini rentan terkena penyakit. Penyakit pada tanaman tebu dapat diidentifikasi secara langsung oleh pakar melalui proses pengamatan pada daun berdasarkan pengetahuan dan pengalaman yang mereka miliki. Pendekatan teknologi berbasis kecerdasan buatan (AI) menjadi salah satu solusi mutakhir untuk mendapatkan informasi penyakit pada tanaman. Oleh karena itu, penelitian ini mengusulan teknik klasifikasi otomatis untuk mengklasifikasikan bercak penyakit pada daun tebu. Dataset diunduh dari situs Kaggle terdiri dari 864 citra daun tebu yang terbagi menjadi dua kelas, yaitu Sakit dan Sehat. Untuk dapat menghasilkan model klasifikasi yang akurat dataset dilatih menggunakan algoritma Convolutional Neural Network (CNN) berdasarkan pendekatan model transfer learning dengan arsitektur pre-trained model seperti VGG-16. Semua parameter weight VGG-16 diadopsi dan hanya mengubah lapisan terakhir untuk menyesuaikan output class. Selain itu, untuk mengatasi ketebatasan dataset yang dimiliki, penelitian ini menerapkan teknik augmentasi data. Hasil dari penelitian menunjukkan model klasifikasi mampu mengklasifikasikan penyakit berdasarkan evaluasi menggunakan Confusion matrix dengan nilai parameter masing-masing yaitu 98% akurasi, 100% presisi, 97% recall, dan 98% F1 Score
References
[2] Food and Agriculture Organization (FAO), World Food and Agriculture – Statistical Yearbook 2021. 2021. doi: 10.4060/cb4477en.
[3] A. Khan and M. S. Yadav, “Image Processing Based Disease Detection for Sugarcane Leaves,†vol. 3, pp. 497–502, 2017.
[4] S. V Militante, B. D. Gerardo, and R. P. M. Ĵ, “Sugarcane Disease Recognition using Deep Learning,†2019 IEEE Eurasia Conf. IOT, Commun. Eng., pp. 575–578, 2019.
[5] H. Shadab, M. Dwivedi, and A. Chakravarthy, “Disease Recognition in Sugarcane Crop Using Deep Learning,†no. September, 2019, doi: 10.13140/RG.2.2.21849.47209.
[6] L. Li, S. Zhang, and B. I. N. Wang, “Plant Disease Detection and Classification by Deep Learning — A Review,†no. Ccv, 2021, doi: 10.1109/ACCESS.2021.3069646.
[7] Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,†no. May, 2015, doi: 10.1038/nature14539.
[8] I. W. S. E. P, A. Y. Wijaya, and R. Soelaiman, “Klasifikasi Citra Menggunakan Convolutional Neural Network ( Cnn ) pada Caltech 101,†vol. 5, no. 1, 2016.
[9] A. Kumar, “Detection of Sugarcane Disease and Classification using Image Processing,†no. June, 2020, doi: 10.22214/ijraset.2019.5338.
[10] C. Aj. Saputra, D. Erwanto, dan P. N. Rahayu, “Deteksi Kantuk Pengendara Roda Empat Menggunakan Haar Cascade Classifier Dan Convolutional Neural Network,†JEECOM Journal of Electrical Engineering and Computer, vol. 3, no. 1, 2021, doi: 10.33650/jeecom.v3i1.1510.
[11] A. KHAN, “Red Rot Sugarcane Disease Leaf Dataset.†https://www.kaggle.com/datasets/alihussainkhan24/red-rot-sugarcane-disease-leaf-dataset (accessed Nov. 20, 2022).
[12] V. Gautam et al., “A Transfer Learning-Based Artificial Intelligence Model for Leaf Disease Assessment,†Sustain., vol. 14, no. 20, 2022, doi: 10.3390/su142013610.
[13] K. Z. Thet, K. K. Htwe, and M. M. Thein, “Grape Leaf Diseases Classification using Convolutional Neural Network,†pp. 147–152.
[14] L. Perez and J. Wang, “The Effectiveness of Data Augmentation in Image Classification using Deep Learning,†2017, [Online]. Available: http://arxiv.org/abs/1712.04621
[15] A. Mustafid, M. M. Pamuji, and S. Helmiyah, “A Comparative Study of Transfer Learning and Fine-Tuning Method on Deep Learning Models for Wayang Dataset Classification,†IJID (International J. Informatics Dev., vol. 9, no. 2, pp. 100–110, 2020, doi: 10.14421/ijid.2020.09207.
[16] K. Das Bakshi, “Classification of Images on Furniture and Household Goods by Using Transfer Leaning and Fine Tuning,†vol. 7, pp. 250–255, 2018.
[17] K. Kusrini, S. Suputa, A. Setyanto, I. M. A. Agastya, H. Priantoro, and S. Pariyasto, “A comparative study of mango fruit pest and disease recognition,†TELKOMNIKA (Telecommunication Comput. Electron. Control., vol. 20, no. 6, p. 1264, 2022, doi: 10.12928/telkomnika.v20i6.21783.
[18] A. Rohim, Y. A. Sari, and Tibyani, “Convolution neural network (cnn) untuk pengklasifikasian citra makanan tradisional,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, 2019.
[19] A. Arisudin, M. Yahya, dan D. Erwanto, “Klasifikasi Aroma Teh Dengan Menggunakan Sensor Gas Berbasis Arduino Uno,†JASEE Journal of Application and Science on Electrical Engineering, vol. 2, no. 02, 2021, doi: 10.31328/jasee.v2i02.198.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
.png)
.png)
