Klasifikasi Citra Penyakit Daun Tanaman Padi Menggunakan CNN dengan Arsitektur VGG-19

Authors

  • Rahma Shinta Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Jasril Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Muhammad Irsyad Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Febi Yanto Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Suwanto Sanjaya Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau

DOI:

https://doi.org/10.22216/jsi.v9i1.2175

Keywords:

Augmentasi Data, Klasifikasi Daun Padi, Optimizer Adamax, Optimizer Nadam, CNN VGG-19

Abstract

Penurunan produksi padi disebabkan oleh serangan hama dan penyakit yang biasa terdapat pada bagian daun. Penelitian terkait klasifikasi jenis penyakit daun padi telah banyak dilakukan. Penelitian ini menerapkan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-19 untuk klasifikasi citra penyakit daun tanaman padi. Tujuan penelitian ini adalah untuk membandingkan hasil akurasi pengujian dari model yang menggunakan augmentasi dan tanpa augmentasi data. Data pada penelitian ini terbagi atas 4 kelas, yaitu blast, brown spot, leaf smut, dan healthy dengan jumlah data asli sebanyak 440 dan data augmentasi sebanyak 1320 citra. Hasil pengujian menunjukkan bahwa akurasi tertinggi menggunakan augmentasi data yang diperoleh sebesar 94.31%, sedangkan akurasi tertinggi tanpa augmentasi data yang diperoleh sebesar 93.18%. Hasil penelitian menunjukkan bahwa augmentasi dapat meningkatkan hasil akurasi. Penggunaan optimizer Nadam menghasilkan nilai akurasi yang lebih tinggi dibandingkan Adamax. Hyper Parameter yang digunakan juga berpengaruh terhadap hasil akurasi pengujian.

References

Badan Pusat Statistik, “Luas Panen dan Produksi Padi di Indonesia 2021,” Badan Pusat Statistik, Jul. 12, 2022. https://www.bps.go.id/publication/2022/07/12/c52d5cebe530c363d0ea4198/luas-panen-dan-produksi-padi-di-indonesia-2021.html (accessed Oct. 22, 2022).

L. R. Stevani, “Produksi padi di Madiun turun akibat serangan OPT,” ANTARAJATIM, Aug. 10, 2022.

A. Walascha, A. Febriana, D. Saputri, D. Sri Nur Haryanti, R. Tsania, and Y. Sanjaya, “Inventarisasi Jenis Penyakit yang Menyerang Daun Tanaman Padi (Oryza sativa L.)”.

A. Jinan and B. H. Hayadi, “Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron),” Journal of Computer and Engineering Science, vol. 1, no. 2, 2022.

E. Anggiratih, S. Siswanti, S. K. Octaviani, and A. Sari, “Klasifikasi Penyakit Tanaman Padi Menggunakan Model Deep Learning Efficientnet B3 dengan Transfer Learning,” Jurnal Ilmiah SINUS, vol. 19, no. 1, p. 75, Jan. 2021, doi: 10.30646/sinus.v19i1.526.

L. Hernando, Ikhsan, A. Avaldo, and Ismael, “Implementasi Fuzzy Logic pada Alat Pemisah Buah Tomat,” Jurnal Sains dan Informatika, vol. 08, pp. 55–61, 2022, doi: 10.22216/jsi.v8i2.1637.

R. A. Saputra, Suharyanto, S. Wasiyanti, D. F. Saefudin, A. Supriyatna, and A. Wibowo, “Rice Leaf Disease Image Classifications Using KNN Based on GLCM Feature Extraction,” J Phys Conf Ser, vol. 1641, no. 1, Nov. 2020, doi: 10.1088/1742-6596/1641/1/012080.

R. Kumar, G. Baloch, A. Baseer Buriro, and J. Bhatti, “Fungal Blast Disease Detection in Rice Seed using Machine Learning,” IJACSA) International Journal of Advanced Computer Science and Applications, vol. 12, no. 2, 2021, [Online]. Available: www.ijacsa.thesai.org

A. A. Huda, B. Setiaji, and F. R. Hidayat, “Implementasi Gray Level Co-Occurrence Matrix (GLCM) untuk Klasifikasi Penyakit Daun Padi,” Jurnal Pseudocode, vol. 9, 2022, [Online]. Available: www.ejournal.unib.ac.id/index.php/pseudocode

Y. Amelia, P. Eosina, and F. A. Setiawan, “Perbandingan Metode Deep Learning dan Machine Learning untuk Klasifikasi (Ujicoba pada Data Penyakit Kanker Payudara),” INOVA-TIF, vol. 1, no. 2, 2018, doi: 10.32832/inova-tif.v1i2.5449.

A. S. Simbolon, N. I. Pangaribuan, and N. M. Aruan, “Analisis Sentimen Aplikasi E-Learning Selama Pandemi Covid-19 dengan Menggunakan Metode Support Vector Machine dan Convolutional Neural Network,” SEMINASTIKA, vol. 3, no. 1, pp. 16–25, Nov. 2021, doi: 10.47002/seminastika.v3i1.236.

M. F. Naufal, “Analisis Perbandingan Algoritma SVM, KNN, dan CNN untuk Klasifikasi Citra Cuaca,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 2, 2021, doi: 10.25126/jtiik.2021824553.

S. Pratap Singh and I. Kumar, “Rice Plant Infection Recognition using Deep Neural Network Systems.” [Online]. Available: https://www.ifis.uni-

D. Hindarto and H. Santoso, “Plat Nomor Kendaraan dengan Convolution Neural Network,” JII : Jurnal Inovasi Informatika Universitas Pradita, vol. 6, Sep. 2021.

A. Victor Ikechukwu, S. Murali, R. Deepu, and R. C. Shivamurthy, “ResNet-50 vs VGG-19 vs training from scratch: A comparative analysis of the segmentation and classification of Pneumonia from chest X-ray images,” Global Transitions Proceedings, vol. 2, no. 2, pp. 375–381, Nov. 2021, doi: 10.1016/j.gltp.2021.08.027.

N. N. Malvade, R. Yakkundimath, G. Saunshi, M. C. Elemmi, and P. Baraki, “A comparative analysis of paddy crop biotic stress classification using pre-trained deep neural networks,” Artificial Intelligence in Agriculture, vol. 6, pp. 167–175, 2022, doi: 10.1016/j.aiia.2022.09.001.

C. Nisa’, E. Y. Puspaningrum, and H. Maulana, “Penerapan Metode Convolutional Neural Network untuk Klasifikasi Penyakit Daun Apel pada Imbalanced Data,” Seminar Nasional Informatika Bela Negara, vol. 1, 2020.

W. M. Pradnya D and A. P. Kusumaningtyas, “Analisis Pengaruh Data Augmentasi Pada Klasifikasi Bumbu Dapur Menggunakan Convolutional Neural Network,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 4, p. 2022, Oct. 2022, doi: 10.30865/mib.v6i4.4201.

J. Wu, X. Y. Chen, H. Zhang, L. D. Xiong, H. Lei, and S. H. Deng, “Hyperparameter optimization for machine learning models based on Bayesian optimization,” Journal of Electronic Science and Technology, vol. 17, no. 1, pp. 26–40, Mar. 2019, doi: 10.11989/JEST.1674-862X.80904120.

Vbookshelf, “Rice Leaf Disease Dataset,” Kaggle, 2020. https://www.kaggle.com/datasets/vbookshelf/rice-leaf-diseases (accessed Oct. 19, 2022).

Riyan Shayaz, “Rice Leaf,” Kaggle, 2020. https://www.kaggle.com/datasets/shayanriyaz/riceleafs (accessed Oct. 19, 2022).

H. B. P. and V. K. D. J. P. Shah, “Rice Leaf Diseases Data Set,” UCI Machine Learning, 2017. https://archive.ics.uci.edu/ml/datasets/rice+leaf+diseases (accessed Oct. 19, 2022).

F. Nurona Cahya et al., “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network ( CNN),” Jurnal Sistem Informasi, vol. 10, pp. 618–626, 2021, [Online]. Available: http://sistemasi.ftik.unisi.ac.id

F. Habib Hawari, F. Fadillah, M. Rifqi Alviandi, and T. Arifin, “Klasifikasi Penyakit Padi Menggunakan Algoritma CNN (Convolutional Neural Network),” JURNAL RESPONSIF, vol. 4, no. 2, pp. 184–189, 2022, [Online]. Available: https://ejurnal.ars.ac.id/index.php/jti

G. Y. Alhafis, J. Jasril, S. Sanjaya, F. Syafria, and E. Budianita, “Klasifikasi Citra Daging Sapi dan Daging Babi Menggunakan Ekstraksi Ciri dan Convolutional Neural Network,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 3, p. 653, Jun. 2022, doi: 10.30865/jurikom.v9i3.4175.

Downloads

Published

2023-04-30

How to Cite

Rahma Shinta, Jasril, Muhammad Irsyad, Febi Yanto, & Suwanto Sanjaya. (2023). Klasifikasi Citra Penyakit Daun Tanaman Padi Menggunakan CNN dengan Arsitektur VGG-19. SAINS DAN INFORMATIKA : RESEARCH OF SCIENCE AND INFORMATIC, 9(1), 37–45. https://doi.org/10.22216/jsi.v9i1.2175

Issue

Vol. 9 No. 1 (2023): Jurnal Sains dan Informatika : Research of Science and Informatic

Section

Articles

License

Copyright (c) 2023 SAINS DAN INFORMATIKA : RESEARCH OF SCIENCE AND INFORMATIC

Creative Commons License

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