ANALISIS HASIL KLASIFIKASI PENYAKIT DAUN BAWANG MERAH MENGGUNAKAN CNN ARSITEKTUR EXCEPTION

Danar Putra Pamungkas
M. Farij Amrulloh


DOI: https://doi.org/10.29100/jipi.v10i1.5875

Abstract


Dalam beberapa dekade terakhir, industri pertanian telah mengalami transformasi signifikan dengan penerapan teknologi canggih seperti kecerdasan buatan (AI) dan pembelajaran mesin (ML). Tantangan utama dalam sektor ini adalah identifikasi dan klasifikasi penyakit tanaman secara akurat dan efisien. Salah satu solusi yang menjanjikan adalah penerapan Convolutional Neural Networks (CNN), khususnya arsitektur Xception yang terkenal efektif dalam tugas klasifikasi gambar. Penelitian ini mengeksplorasi implementasi Xception dalam klasifikasi penyakit daun bawang merah (Allium ascalonicum), yang merupakan tanaman penting namun rentan terhadap berbagai penyakit seperti bercak daun (Alternaria porri), layu bakteri (Erwinia carotovora), dan ulat Grayak (Spodoptera exigua). Dataset gambar daun bawang merah digunakan untuk menguji kinerja model Xception dalam mengidentifikasi berbagai jenis penyakit. Hasil penelitian menunjukkan bahwa model terbaik yang menggunakan batch size 16 dan epoch 100 mencapai akurasi 99.71% dan validasi 97.37%. Pengujian menggunakan confusion matrix terhadap 96 data uji menghasilkan 89 klasifikasi benar dan 7 klasifikasi salah, menunjukkan tingkat akurasi 92%. Penelitian ini berkontribusi dalam peningkatan efisiensi dan akurasi deteksi penyakit tanaman, mendukung pertanian presisi dan pengembangan sistem deteksi penyakit tanaman yang lebih maju dan terotomatisasi.

Keywords


Convolutional Neural Network; Confusion Matrix; Klasifikasi Daun Bawang; Xception

Full Text:

PDF

Article Metrics :

References


R. Kurniawan, P. B. Wintoro, Y. Mulyani, dan M. Komarudin, “Implementasi Arsitektur Xception Pada Model Machine Learning Klasifikasi Sampah Anorganik,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 2, 2023.

R. B. N. Kholis dan F. Utaminingrum, “Rancang Bangun Sistem Klasifikasi Sampah Anorganik Kantor menggunakan Deep Learning Arsitektur Xception berbasis NVIDIA Jetson Nano,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 6, hal. 2681–2686, 2022.

T. Tjahyamulia dan H. Bunyamin, “Analisa Model Convolutional Neural Networks Lanjutan Terhadap Model Klasifikasi Pakaian,” J. Strateg. Ma-ranatha, vol. 5, no. 2, hal. 378–392, 2023.

A. Nurhopipah, J. Suhaman, dan A. Widianto, “Exploring Pre-Trained Model and Language Model for Translating Image to Bahasa,” IJCCS (Indo-nesian J. Comput. Cybern. Syst., vol. 17, no. 4, hal. 347–358, 2023.

T. A. Tresi dan M. Salim, “Analisa Perbandingan Inception dan Xception Berbasis CNN untuk Klasifikasi Wajah Hewan,” J. Tek. Inform. dan Desain Komun. Vis., vol. 3, no. 1, hal. 34–41, 2024.

M. F. Naufal dan S. F. Kusuma, “Analisis Perbandingan Algoritma Machine Learning dan Deep Learning untuk Klasifikasi Citra Sistem Isyarat Ba-hasa Indonesia (SIBI),” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 4, hal. 873–882, 2023.

M. Rahmiyati, S. Hartanto, dan N. W. H. Sulastiningsih, “Pengaruh aplikasi actinomycetes terhadap serangan Fusarium oxysporum Schlecht. f. sp. cepae (Hanz.) Synd. et Hans. penyebab penyakit layu pada bawang merah (Allium ascalonicum L. var. Mentes),” Biosci. J. Ilm. Biol., vol. 9, no. 1, hal. 248–260, 2021.

K. W. Kayohana, M. W. Alfiansyah, dan M. R. M. Rizki, “RANCANG BANGUNAN SISTEM PAKAR DIAGNOSA PENYAKIT DAN HAMA TANAMAN BAWANG MERAH DAN CABAI MENGGUNAKAN METODE CERTAINTY FACTOR,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 5, hal. 3533–3540, 2023.

D. Deden dan W. Wijaya, “Efektivitas Agen Hayati (Rhodopseudomonas palustris) untuk Mengendalikan Penyakit Bercak Daun (Alternaria porri) pada Tanaman Bawang Merah (Allium ascalonicum L.),” AGROSCRIPT J. Appl. Agric. Sci., vol. 5, no. 2, hal. 92–100, 2023.

A. A. Nawangsih dan K. H. Mutaqin, “The Potentials of Cabbage Phyllospheric Bacteria as Biocontrol Agents of Soft Rot Disease Caused by Pecto-bacterium carotovorum on Chinese Cabbage,” J. Fitopatol. Indones., vol. 18, no. 3, hal. 115–124, 2022.

A. LESMANA, “PENGARUH PESTISIDA NABATI TERHADAP ULAT GRAYAK (Spodoptera litura) SERTA KETERJADIAN PENYAKIT MOLER PADA TANAMAN BAWANG MERAH (Allium ascalonicum L.),” 2021.

A. Pratiwi dan A. Fauzi, “IMPLEMENTATION OF DEEP LEARNING ON FLOWER CLASSIFICATION USING CNN METHOD,” J. Tek. Inform., vol. 5, no. 2, hal. 487–495, 2024.

A. E. Putra, M. F. Naufal, dan V. R. Prasetyo, “Klasifikasi Jenis Rempah Menggunakan Convolutional Neural Network dan Transfer Learning,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 9, no. 1, hal. 12–17, 2023.

T. A. Tresi dan M. Salim, “Analisa Perbandingan Inception dan Xception Berbasis CNN untuk Klasifikasi Wajah Hewan,” J. Tek. Inform. dan Desain Komun. Vis., vol. 3, no. 1, hal. 34–41, 2024.

H. Herimanto, “Perbandingan Matriks Loss Pada Model Deep Learning Resnet50 dan Xception dalam Deteksi Objek,” J. MEDIA Inform. BUDIDARMA, vol. 7, no. 4, hal. 1994–2002, 2023.

F. Huda dan M. P. K. Putra, “Klasifikasi Jenis Buah Pisang Menggunakan Algoritma Convolutional Neural Network,” J. Artif. Intell. Technol. Inf., vol. 1, no. 3, hal. 100–105, 2023.