PENERAPAN METODE RESIDUAL NETWORK (RESNET) DALAM KLASIFIKASI PENYAKIT PADA DAUN GANDUM

Andreanov Ridhovan
Aries Suharso


DOI: https://doi.org/10.29100/jipi.v7i1.2410

Abstract


Gandum adalah jenis tanaman yang kaya karbohidrat. Permintaan gandum di Indonesia selalu meningkat setiap tahun tetapi berbanding terbalik dengan jumlah produksi gandum nasional. Salah satu faktor yang menghambat produksi gandum adalah kegagalan panen akibat penyakit atau hama. Penyakit yang umum pada tanaman gandum adalah Septoria dan Stripe Rust. Penyakit tersebut dapat diidentifikasi melalui warna dan bercak daun. Seiring perkembangan teknologi, petani dapat mengawasi tanaman secara otomatis menggunakan bantuan komputer. Dengan menggunakan deep learning, penyakit pada tanaman gandum dapat diidentifikasi dengan mudah. Penelitian ini bertujuan untuk mengidentifikasi penyakit pada tanaman gandum melalui daun menggunakan metode Residual Network (ResNet). ResNet adalah jenis arsitektur Convolution Neural Network (CNN) dengan menggunakan model yang sudah dilatih sebelumnya. Dengan ResNet tidak memerlukan untuk melatih data dari awal sehingga dapat mempersingkat waktu. Data yang digunakan terdiri dari 291 gambar yang terbagi menjadi normal, penyakit Septoria, dan penyakit Stripe Rust. Setelah pengujian didapatkan akurasi sebesar 98% dengan perbandingan data latih dan uji sebesar 90:10 dan nilai confusion matrix sebesar 0.35 sehingga dapat disimpulkan bahwa metode ResNet dapat mengidentifikasi penyakit pada tanaman gandum.

Keywords


CNN, Deep learning, Klasifikasi Gambar, ResNet

Full Text:

PDF

Article Metrics :

References


M. Figueroa, K. E. Hammond-Kosack, and P. S. Solomon, A review of wheat diseasesa field perspective, Mol. Plant Pathol., vol. 19, no. 6, pp. 15231536, 2018, doi: 10.1111/mpp.12618.

S. Tira, Tekan Ketergantungan Impor, Masyarakat Diminta Gunakan Tepung Lokal, Merdeka, 19 Maret 2021, [Online]. Tersedia: https://www.merdeka.com/uang/tekan-ketergantungan-impor-masyarakat-diminta-gunakan-tepung-lokal.html [Diakses: 6 September 2021].

R. C. Downie et al., Septoria Nodorum Blotch of Wheat: Disease Management and Resistance Breeding in the Face of Shifting Disease Dynamics and a Changing Environment, Phytopathology, p. PHYTO-07-20-028, 2021, doi: 10.1094/phyto-07-20-0280-rvw.

Z. Mi, X. Zhang, J. Su, D. Han, and B. Su, Wheat Stripe Rust Grading by Deep Learning With Attention Mechanism and Images From Mobile De-vices, Front. Plant Sci., vol. 11, no. September, pp. 111, 2020, doi: 10.3389/fpls.2020.558126.

A. Voulodimos, N. Doulamis, A. Doulamis, and E. Protopapadakis, Deep Learning for Computer Vision: A Brief Review, Comput. Intell. Neuro-sci., vol. 2018, 2018, doi: 10.1155/2018/7068349.

L. Zhou, C. Zhang, F. Liu, Z. Qiu, and Y. He, Application of Deep Learning in Food: A Review, Compr. Rev. Food Sci. Food Saf., vol. 18, no. 6, pp. 17931811, 2019, doi: 10.1111/1541-4337.12492.

A. Tsany and R. Dzaky, Deteksi Penyakit Tanaman Cabai Menggunakan Metode Convolutional Neural Network, vol. 8, no. 2, pp. 30393055, 2021.

M. Metode, F. Multiple, C. Decision, M. Fmcdm, and D. Yogyakarta, Indonesian Journal of Business Intelligence, vol. 3, no. 2, pp. 5460, 2020.

Y. S. HARIYANI, S. HADIYOSO, and T. S. SIADARI, Deteksi Penyakit Covid-19 Berdasarkan Citra X-Ray Menggunakan Deep Residual Net-work, ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 8, no. 2, p. 443, 2020, doi: 10.26760/elkomika.v8i2.443.

O. Getch, Wheat Leaf dataset, Kaggle, 2021, [online]. Tersedia: https://www.kaggle.com/olyadgetch/wheat-leaf-dataset [Diakses: 25 Agustus 2021].

H. Salehinejad, S. Valaee, T. Dowdell, and J. Barfett, IMAGE AUGMENTATION USING RADIAL TRANSFORM FOR TRAINING DEEP NEURAL NETWORKS Department of Electrical & Computer Engineering , University of Toronto , Toronto , Canada Department of Medical Imag-ing , St . Michael s Hospital , University of Toronto , Toro, 2018 IEEE Int. Conf. Acoust. Speech Signal Process., pp. 30163020, 2018.

S. S. Han et al., Deep neural networks show an equivalent and often superior performance to dermatologists in onychomycosis diagnosis: Automatic construction of onychomycosis datasets by region-based convolutional deep neural network, PLoS One, vol. 13, no. 1, pp. 114, 2018, doi: 10.1371/journal.pone.0191493.

F. Rayhan, S. Ahmed, A. Mahbub, R. Jani, S. Shatabda, and D. M. Farid, CUSBoost: Cluster-Based Under-Sampling with Boosting for Imbalanced Classification, 2nd Int. Conf. Comput. Syst. Inf. Technol. Sustain. Solut. CSITSS 2017, pp. 15, 2018, doi: 10.1109/CSITSS.2017.8447534.

J. Xu, Y. Zhang, and D. Miao, Three-way confusion matrix for classification: A measure driven view, Inf. Sci. (Ny)., vol. 507, pp. 772794, 2020, doi: 10.1016/j.ins.2019.06.064.

B. Eagan, M. Misfeldt, and A. Siebert-Evenstone, Advances in Quantitative Ethnography, vol. 1. 2019.