IDENTIFIKASI PENYAKIT DAUN DAN BATANG TANAMAN JAGUNG MENGGUNAKAN VGG16-SVM

Shintyadhita Wirawan Putri, Anggraini Puspita Sari, Firza Prima Aditiawan

Abstract


Penelitian ini mengusulkan model klasifikasi citra berbasis pendekatan hybrid antara Convolutional Neural Network (CNN) dan Support Vector Machine (SVM) untuk mendeteksi penyakit pada daun dan batang tanaman jagung. Arsitektur CNN yaitu VGG16 digunakan untuk mengekstraksi fitur visual dari citra, yang kemudian direduksi dimensinya menggunakan Principal Component Analysis (PCA), dan selanjutnya diklasifikasikan menggunakan SVM. Dataset yang digunakan terdiri dari tujuh kelas, diambil dari dua sumber citra penyakit jagung di Madura, Indonesia. Evaluasi dilakukan melalui pembagian data dengan beberapa skema serta pengujian kombinasi parameter SVM. Hasil terbaik diperoleh pada skema pembagian data 60:20:20 dengan kombinasi parameter C=10, kernel=RBF, dan gamma=scale, menghasilkan akurasi validasi sebesar 96,33% dan akurasi pengujian sebesar 96,12%. Model menunjukkan performa yang baik dalam membedakan kategori batang, serta cukup baik pada kategori daun meskipun terdapat kemiripan fitur antar kelas.

Keywords


Penyakit batang jagung, penyakit daun jagung; CNN; SVM; arsitektur VGG-16

Full Text:

PDF

References


C. M. Annur, “Inilah 10 Sektor Utama Penopang Ekonomi Indonesia pada 2023, Industri Pengolahan Terbesar,” Katadata.co.id. [Online]. Available: https://databoks.katadata.co.id/ekonomi-makro/statistik/826961544a2f687/inilah-10-sektor-utama-penopang-ekonomi-indonesia-pada-2023-industri-pengolahan-terbesar

World Bank, “Overview,” World Bank Group. [Online]. Available: https://www.worldbank.org/en/topic/agriculture/overview

O. Erenstein, J. Chamberlin, and K. Sonder, “Estimating the global number and distribution of maize and wheat farms,” Glob. Food Sec., vol. 30, no. May, p. 100558, 2021, doi: 10.1016/j.gfs.2021.100558.

T. Saras, Jagung: Sejarah, Budidaya, dan Manfaatnya. Semarang: Tiram Media, 2023.

A. B. Dahliana and R. Tahir, “Strategi Pemasaran Jagung Hibrida Sebagai Program Unggulan Daerah di Kecamatan Cina, Kabupaten Bone, Provinsi Sulawesi Selatan,” Agro Bali Agric. J., vol. 4, no. 1, pp. 106–115, 2021, doi: 10.37637/ab.v0i0.658.

V. D. Salsadyra, T. R. D. A. Nugroho, and S. Sugiarti, “Women’s Contribution of Madura Local Corn Farmers to Household Income of Farmers in Pakaan Laok Village,” Agrisience, vol. 3, no. 2, pp. 717–728, 2022, [Online]. Available: http://journal.trunojoyo.ac.id/agriscience

A. Aprilia and S. Suhartono, “Evaluasi Kandidat Jagung Hibrida terhadap Cekaman Kekeringan pada Fase Perkecambahan menggunakan Polyethilene Glicol (PEG 6000),” Rekayasa, vol. 16, no. 1, pp. 125–135, 2023, doi: 10.21107/rekayasa.v16i1.20907.

D. R. Damayanti, D. Megasari, and S. Khoiri, “Serangan Spodoptera frugiperda (Lepidoptera: Noctuidae) pada Pertanaman Jagung di Kabupaten Lamongan,” Agropross Natl. Conf. Proc. Agric., pp. 274–280, 2023, doi: 10.25047/agropross.2023.468.

H. Mirsam, S. Suriani, A. T. Makkulawu, N. Djaenuddin, and F. Abdullah, “Evaluation of Resistance of Hybrid Corn Genotypes against Leaf Blight and Leaf Rust Diseases,” J. Nas. Lahan Suboptimal, vol. 9, no. 2, pp. 305–313, 2021.

F. O. Isinkaye, M. O. Olusanya, and P. K. Singh, “Deep learning and content-based filtering techniques for improving plant disease identification and treatment recommendations: A comprehensive review,” Heliyon, vol. 10, no. 9, p. e29583, 2024, doi: 10.1016/j.heliyon.2024.e29583.

A. P. Sari, H. Suzuki, T. Kitajima, T. Yasuno, D. A. Prasetya, and R. Arifuddin, “Short-Term Wind Speed and Direction Forecasting by 3DCNN and Deep Convolutional LSTM,” IEEJ Trans. Electr. Electron. Eng., vol. 17, no. 11, pp. 1620–1628, 2022, doi: 10.1002/tee.23669.

M. A. Setyawan, P. Kasih, M. Ayu, and D. Widyadara, “Klasifikasi Penyakit Daun Jagung Berdasarkan Ruang Warna HSV dan Fitur Tekstur Dengan Algoritma K-NN,” Semin. Nas. Inov. Teknol. UN PGRI Kediri, pp. 67–72, 2022.

D. Septhya et al., “Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 15–19, 2023, doi: 10.57152/malcom.v3i1.591.

A. L. Pramana, “Analisis Perbandingan Evaluasi Metode Deep Learning pada Klasifikasi Jenis Kendaraan,” vol. 9, pp. 451–465, 2024.

A. Agung Mujiono, K. Kartini, and E. Yulia Puspaningrum, “Implementasi Model Hybrid Cnn-Svm Pada Klasifikasi Kondisi Kesegaran Daging Ayam,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 756–763, 2024, doi: 10.36040/jati.v8i1.8855.

D. Banerjee, V. Kukreja, V. Sharma, M. Manwal, and V. Jindal, “An Ensemble Approach of CNN and SVM for Precise Classification of Sweet Corn Leaf Diseases,” 2023 14th Int. Conf. Comput. Commun. Netw. Technol. ICCCNT 2023, pp. 1–6, 2023, doi: 10.1109/ICCCNT56998.2023.10306754.

S. Mehta, V. Kukreja, A. Bansal, K. Kumar, and K. Kaur, “Multi-Classification of Dragon Fruits Diseases : A Hybrid CNN-SVM Approach,” 2023 IEEE Int. Conf. Contemp. Comput. Commun., vol. 1, pp. 1–6, 2023, doi: 10.1109/InC457730.2023.10263245.

S. Saputra, “Corn Leaf Disease.” [Online]. Available: https://www.kaggle.com/datasets/ndisan/corn-leaf-disease

S. Saputra, “Corn Stalk Disease.” [Online]. Available: https://www.kaggle.com/datasets/ndisan/corn-stalks/data

D. Choi, W. Bell, D. Kim, and J. Kim, “Uav-driven structural crack detection and location determination using convolutional neural networks,” Sensors, vol. 21, no. 8, pp. 1–20, 2021, doi: 10.3390/s21082650.

Y. Wu, Y. He, and Y. Wang, “Multi-Class Weed Recognition Using Hybrid CNN-SVM Classifier,” Sensors, vol. 23, no. 16, 2023, doi: 10.3390/s23167153.

T. A. Mutiara and Q. N. Azizah, “Klasifikasi Tumor Otak Menggunakan Ekstraksi Fitur HOG dan Support Vector Machine,” J. Infortech, vol. 4, no. 1, pp. 45–50, 2022, [Online]. Available: https://ejournal.bsi.ac.id/ejurnal/index.php/infortech/article/view/12813

S. F. Yunizar, A. P. Sari, F. P. Aditiawan, P. S. Informatika, and F. I. Komputer, “Pemanfaatan Model ResNet50 dan SVM untuk Klasifikasi Penyakit Daun Tebu,” vol. 11, no. 1, pp. 94–104, 2025, doi: 10.33050/cices.v11i1.3506.

A. Rosid, A. Ghofur, and F. Santoso, “Klasifikasi Penyakit Tanaman Kentang Berdasarkan Citra Daun dan Batang dengan Metode Convolutional Neural Network dan Gray Level Co-Occurrence Matrix,” G-Tech J. Teknol. Terap., vol. 8, no. 3, pp. 1354–1362, 2024, doi: 10.33379/gtech.v8i3.4298.

W. G. Pamungkas, M. I. P. Wardhana, Z. Sari, and Y. Azhar, “Leaf Image Identification: CNN with EfficientNet-B0 and ResNet-50 Used to Classified Corn Disease,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 2, pp. 326–333, 2023, doi: 10.29207/resti.v7i2.4736.

M. Nur, B. Rahman, Cakra, A. Patombongi, Samsuddin, and F. Kahar, “MENDETEKSI DAN MENGKLASIFIKASI PENYAKIT DAUN PADA TANAMAN JAGUNG MENGGUNAKAN JARINGAN SARAF KONVOLUSIONAL,” vol. 10, no. 1, 2025.

N. Ansori, A. Rachmad, E. Rochman, H. Fauzan, and Y. Asmara, “CORN STALK DISEASE CLASSIFICATION USING RANDOM FOREST COMBINATION OF EXTRACTION FEATURES Agriculture is one of the crucial sectors in the sustainability of human life [ 1 ]. Meanwhile , corn is one of the major crops cultivated worldwide [ 2 ]. In Indones,” pp. 1–20, 2024.




DOI: https://doi.org/10.29100/jipi.v11i2.8020

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.