Klasifikasi Penyakit Daun Jagung Menggunakan Model Deep Learning EfficientNetB5
Bilah Samping Artikel
Read Counter : 2
Download : 2
Isi Artikel Utama
Abstrak
Jagung adalah tanaman pangan utama di Indonesia setelah padi, namun rentan terhadap berbagai penyakit daun seperti karat, bercak abu-abu, dan hawar utara. Klasifikasi dengan Machine Learning konvensional memerlukan ekstraksi fitur manual untuk hasil optimal, mengilhami penciptaan model Deep Learning EfficientNetB5 dalam penelitian ini. Model ini diuji dengan dataset berisi 3.852 citra yang dibagi menjadi 4 kelas. Hasil eksperimen menunjukkan bahwa kombinasi hyperparameter learning rate = 0,0001 dan batch size = 32 menghasilkan kinerja tertinggi dibandingkan dengan model lainnya, dengan akurasi 96,27%, presisi 90,90%, spesifisitas 97,55%, serta sensitivitas 88,13%. Hal ini menandakan kemajuan signifikan dalam klasifikasi penyakit daun pada tanaman jagung.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Referensi
Amzeri, A. (2018). Tinjauan Perkembangan Pertanian Jagung di Madura dan Alternatif Pengolahan Menjadi Biomaterial. Rekayasa, 11(1), 74–86.
Atila, Ü., Uçar, M., Akyol, K., & Uçar, E. (2021). Plant leaf disease classification using EfficientNet deep learning model. Ecological Informatics, 61, 101182.
Chamarty, A. (2020). Fine-Tuning of Learning Rate for Improvement of Object Detection Accuracy. 2020 IEEE India Council International Subsections Conference (INDISCON), 135–141.
Fan, J., Upadhye, S., & Worster, A. (2006). Understanding receiver operating characteristic (ROC) curves. CJEM, 8, 19–20.
Gajowniczek, K., Zkabkowski, T., & Szupiluk, R. (2014). ESTIMATING THE ROC CURVE AND ITS SIGNIFICANCE FOR CLASSIFICATION MODELS’ASSESSMENT. Metody Ilościowe w Badaniach Ekonomicznych, 15(2), 382–391.
Geetharamani, G., & Arun Pandian, J. (2019). Data for: Identification of Plant Leaf Diseases Using a 9-layer Deep Convolutional Neural Network. In Mendeley Data (Vol. 1).
Kandel, I., & Castelli, M. (2020). The effect of batch size on the generalizability of the convolutional neural networks on a histopathology dataset. ICT Express, 6(4), 312–315.
Lu, J., Tan, L., & Jiang, H. (2021). Review on Convolutional Neural Network (CNN) Applied to Plant Leaf Disease Classification. Agriculture, 11, 707.
Nugroho, A., & Suhartanto, H. (2020). Hyper-Parameter Tuning based on Random Search for DenseNet Optimization. 2020 7th International Conference on Information Technology, Amzeri, A. (2018). Tinjauan Perkembangan Pertanian Jagung di Madura dan Alternatif Pengolahan Menjadi Biomaterial. Rekayasa, 11(1), 74–86.
Atila, Ü., Uçar, M., Akyol, K., & Uçar, E. (2021). Plant leaf disease classification using EfficientNet deep learning model. Ecological Informatics, 61, 101182.
Chamarty, A. (2020). Fine-Tuning of Learning Rate for Improvement of Object Detection Accuracy. 2020 IEEE India Council International Subsections Conference (INDISCON), 135–141.
Fan, J., Upadhye, S., & Worster, A. (2006). Understanding receiver operating characteristic (ROC) curves. CJEM, 8, 19–20.
Gajowniczek, K., Zkabkowski, T., & Szupiluk, R. (2014). ESTIMATING THE ROC CURVE AND ITS SIGNIFICANCE FOR CLASSIFICATION MODELS’ASSESSMENT. Metody Ilościowe w Badaniach Ekonomicznych, 15(2), 382–391.
Geetharamani, G., & Arun Pandian, J. (2019). Data for: Identification of Plant Leaf Diseases Using a 9-layer Deep Convolutional Neural Network. In Mendeley Data (Vol. 1).
Kandel, I., & Castelli, M. (2020). The effect of batch size on the generalizability of the convolutional neural networks on a histopathology dataset. ICT Express, 6(4), 312–315.
Lu, J., Tan, L., & Jiang, H. (2021). Review on Convolutional Neural Network (CNN) Applied to Plant Leaf Disease Classification. Agriculture, 11, 707.
Nugroho, A., & Suhartanto, H. (2020). Hyper-Parameter Tuning based on Random Search for DenseNet Optimization. 2020 7th International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE), 96–99.
Sibiya, M., & Sumbwanyambe, M. (2019). A Computational Procedure for the Recognition and Classification of Maize Leaf Diseases Out of Healthy Leaves Using Convolutional Neural Networks. AgriEngineering, 1(1), 119–131.
Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427–437.
Sudjono, M. S. (1988). Penyakit Jagung dan Pengendaliannya. In Buku Jagung. Puslitbang Tanaman Pangan.
Syarief, M., & Setiawan, W. (2020). Convolutional neural network for maize leaf disease image classification. Telkomnika (Telecommunication Computing Electronics and Control), 18(3), 1376–1381.
Tan, M., & Le, Q. (2019). {E}fficient{N}et: Rethinking Model Scaling for Convolutional Neural Networks. Proceedings of the 36th International Conference on Machine Learning, 6105–6114.
Waheed, A., Goyal, M., Gupta, D., Khanna, A., Hassanien, A. E., & Pandey, H. M. (2020). An optimized dense convolutional neural network model for disease recognition and classification in corn leaf. Computers and Electronics in Agriculture, 175, 105456.
Zhang, X., Qiao, Y., Meng, F., Fan, C., & Zhang, M. (2018). Identification of Maize Leaf Diseases Using Improved Deep Convolutional Neural Networks. IEEE Access, 6, 30370–30377.