PERBANDINGAN ARSITEKTUR MOBILENET DAN NASNETMOBILE UNTUK KLASIFIKASI PENYAKIT PADA CITRA DAUN KENTANG

Anwar Fuadi
Aries Suharso


DOI: https://doi.org/10.29100/jipi.v7i3.3026

Abstract


Tanaman kentang adalah tanaman yang dapat berkembang biak secara vegetatif melalui umbi. Kentang mempunyai peranan cukup penting untuk dimanfaatkan sebagai usaha. Penurunan produksi kentang 80% diakibatkan oleh penyakit yang dapat mengakibatkan penurunan produksi secara maksimal karena terjadi penghambatan pertumbuhan. Early blight dan late blight merupakan penyakit yang umum menyerang tanaman kentang. Penyakit tersebut dapat diidentifikasi melalui bercak dan warna pada daun tanaman kentang. Dengan majunya proses perkembangan teknologi komputasi maka proses identifikasi tersebut dapat dilakukan dengan menggunakan deep learning. Penelitian ini bertujuan untuk membandingkan arsitektur MobileNet dan NASNetMobile dalam melakukan deteksi penyakit pada daun tanaman kentang. Kedua arsitektur tersebut digunakan untuk menyelesaikan masalah klasifikasi gambar pada perangkat mobile. Penelitian ini menggunakan beberapa skema pemisahan data latih dan data uji seperti 90:10, 80:20, 70:30, 60:40, dan 50:50. Data yang digunakan pada penelitian ini terbagi menjadi gambar daun kentang sehat, gambar daun kentang terinfeksi Early Blight, dan gambar daun kentang terinfeksi Late Blight. Di akhir penelitian ditemukan bahwa pada skema pengujian menggunakan arsitektur NASNetMobile dengan perbandingan data latih dan data uji sebesar 90:10 menghasilkan accuracy sebesar 90.96%, precision sebesar 90.86%, recall sebesar 91.11%, dan f1 score sebesar 92.93%.


Keywords


Deep Learning; Klasifikasi Gambar; MobileNet; NASNetMobile

Full Text:

PDF

Article Metrics :

References


Cucu Oktaviana and Dini Destiani Siti Fatimah, Rancang Bangun Sistem Pakar Penanganan Penyakit dan Hama Tanaman Kentang, Jurnal Algorit-ma, vol. 14, no. 1, pp. 51 - 60, Aug. 2017.

D. Mulyono, M. J. A. Syah, A. L. Sayekti, and Y. Hilman, Kelas Benih Kentang (Solanum tuberosum L.) Berdasarkan Pertumbuhan, Produksi, dan Mutu Produk, Jurnal Hortikultura, vol. 27, no. 2, p. 209, Feb. 2018, doi: 10.21082/jhort.v27n2.2017.p209-216.

L. Meno, O. Escuredo, M. S. Rodrguez-Flores, and M. C. Seijo, Modification of the TOMCAST Model with Aerobiological Data for Management of Potato Early Blight, Agronomy, vol. 10, no. 12, p. 1872, Nov. 2020, doi: 10.3390/agronomy10121872.

J. E. Van der Waals, L. Korsten, and T. A. S. Aveling, A review of early blight of potato, African Plant Prot., vol. 7, no. 2, pp. 91102, 2001, [Online]. Available: http://content.ajarchive.org/cgi-bin/showfile.exe?CISOROOT=/10233121&CISOPTR=67%5Cnhttp://hdl.handle.net/10499/AJ4913.

A. Majeed, Z. Muhammad, Z. Ullah, R. Ullah, and H. Ahmad, Late Blight of Potato (Phytophthora infestans) I: Fungicides Application and Associ-ated Challenges, Turkish Journal of Agriculture - Food Science and Technology, vol. 5, no. 3, p. 261, Mar. 2017, doi: 10.24925/turjaf.v5i3.261-266.1038.

C. Su and W. Wang, Concrete Cracks Detection Using Convolutional NeuralNetwork Based on Transfer Learning, Mathematical Problems in Engi-neering, vol. 2020, pp. 110, Oct. 2020, doi: 10.1155/2020/7240129.

B. Kim and S. Cho, Automated Vision-Based Detection of Cracks on Concrete Surfaces Using a Deep Learning Technique, Sensors, vol. 18, no. 10, p. 3452, Oct. 2018, doi: 10.3390/s18103452.

C. Tan, F. Sun, T. Kong, W. Zhang, C. Yang, and C. Liu, A Survey on Deep Transfer Learning, Artificial Neural Networks and Machine Learning ICANN 2018, pp. 270279, 2018, doi: 10.1007/978-3-030-01424-7_27.

E. S. Olivas, J. D. M. Guerrero, M. Martinez-Sober, J. R. Magdalena-Benedito, and A. J. Serrano Lpez, Eds., Handbook of Research on Machine Learning Applications and Trends, 2010, doi: 10.4018/978-1-60566-766-9.

F. Saxen, P. Werner, S. Handrich, E. Othman, L. Dinges, and A. Al-Hamadi, Face Attribute Detection with MobileNetV2 and NasNet-Mobile, 2019 11th International Symposium on Image and Signal Processing and Analysis (ISPA), Sep. 2019, doi: 10.1109/ispa.2019.8868585.

B. P. Amiruddin and R. E. Abdul Kadir, CNN Architectures Performance Evaluation for Image Classification of Mosquito in Indonesia, IEEE Xplore, Jul. 01, 2020. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9163732 (accessed Dec. 02, 2021).

A. G. Howard et al., MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, 2017, [Online]. Available: http://arxiv.org/abs/1704.04861.

F. Saxen, P. Werner, S. Handrich, E. Othman, L. Dinges, and A. Al-Hamadi, Face Attribute Detection with MobileNetV2 and NasNet-Mobile, 2019 11th International Symposium on Image and Signal Processing and Analysis (ISPA), Sep. 2019, doi: 10.1109/ispa.2019.8868585.

Saeed, R., 2022. Potato Disease Leaf Dataset(PLD). [online] www.kaggle.com. Tersedia: https://www.kaggle.com/datasets/rizwan123456789/potato-disease-leaf-datasetpld [Diakses pada 12 Juni 2022].

H. Kaur, H. S. Pannu, and A. K. Malhi, A Systematic Review on Imbalanced Data Challenges in Machine Learning, ACM Computing Surveys, vol. 52, no. 4, pp. 136, Sep. 2019, doi: 10.1145/3343440.

M. D. Bloice, P. M. Roth, and A. Holzinger, Biomedical image augmentation using Augmentor, Bioinformatics, vol. 35, no. 21, pp. 45224524, Apr. 2019, doi: 10.1093/bioinformatics/btz259.

E. Prasetyo, R. Purbaningtyas, R. D. Adityo, N. Suciati, and C. Fatichah, Combining MobileNetV1 and Depthwise Separable convolution bottleneck with Expansion for classifying the freshness of fish eyes, Information Processing in Agriculture, Jan. 2022, doi: 10.1016/j.inpa.2022.01.002.