KLASIFIKASI PENYAKIT TANAMAN PADI MENGGUNAKAN ARSITEKTUR DENSENET-121 DAN AUGMENTASI DATA

  • Febi Yanto Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Auliyah Agustina Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Elvia Budianita Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Iwan Iskandar Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Fadhilah Syafria Universitas Islam Negeri Sultan Syarif Kasim Riau
Abstract viewed = 416 times
PDF (Bahasa Indonesia) downloaded = 383 times

Abstract

Padi (Oryza sativa) merupakan salah satu jenis tanaman pangan dimana beras sebagai hasil tanaman padi, menjadi bahan pangan utama untuk sebagian besar penduduk indonesia. Dalam proses budidaya padi, tantangan penyakit seringkali menjadi ancaman yang signifikan. Menyebarnya penyakit menyebabkan penurunan ekonomi, seperti pada tahun 2023 penurunan 0,22%. Selain itu minimnya pengetahuan dan wawasan petani dalam mengidentifikasi dan mendiagnosa jenis penyakit padi menjadi penyebab kurangnya hasil produksi padi. Oleh karena itu perlu adanya suatu klasifikasi penyakit padi menggunakan DenseNet-121 dan augmentasi data. Penelitian ini menggunakan pendekatan deep learning yakni Convolutional Neural Network (CNN) dengan arsitektur DenseNet-121 dan augmentasis data crop. DenseNet saat ini banyak digunakan untuk klasifikasi, DenseNet memanfaatkan koneksi padat antar lapisan, mengurangi jumlah parameter, memperkuat propagasi, dan mendorong pemanfaatan kembali fitur. Menggunakan dataset yang berasal dari situs Kaggle yang terdiri dari 3 jenis penyakit tanaman padi yaitu brown spot, blast, dan blihgt dengan setiap kelas terdiri dari 250 citra sehingga semua data berjumlah 750 citra. Hasil terbaik dari beberapa pengujian diperoleh akurasi terbaik sebesar 99,17% dan los 0,0355 menggunakan model DenseNEt-121, pembagian data 90;10 dengan menggunakan leraning rate 0,001 dan dropout 0,01 serta menggunakan augmentasi data, sedangkan untuk hasil akurasi tanpa augmentasi diperoleh hasil akurasi terbaik yaitu 95,00%dengan pembagian data 90;10, learning rate 0,01 dan dropuot 0,1.

Downloads

Download data is not yet available.

References

Alfredo, I., & Suharjito. (2022). Perbaikan Model Alexnet Untuk Mendeteksi Kematangan Tbs Kelapa Sawit Dengan Menggunakan Image Enhancement Dan Hyperparameter Tuning. Jurnal Ilmiah Teknologi Dan Rekayasa, 27(1), 56–68. https://doi.org/10.35760/tr.2022.v27i1.5973
Anggiratih, E., Siswanti, S., Octaviani, S. K., & Sari, A. (2021). Klasifikasi Penyakit Tanaman Padi Menggunakan Model Deep Learning Efficientnet B3 dengan Transfer Learning. Jurnal Ilmiah SINUS, 19(1), 75. https://doi.org/10.30646/sinus.v19i1.526
Azhar, K. M., Santoso, I., & Adi, A. (2021). Implementasi Deep Learning Menggunakan Metode Convolutional Neural Network Dan Algoritma Yolo Dalam Low Vision. Transient: Jurnal Ilmiah Teknik Elektro, 10(3), 502–509.
Burhanuddin, R. R. (2024). Klasifikasi Penyakit Padi Melalui Citra Daun Menggunakan Metode Naive Bayes. Jurnal Informatika Dan Teknik Elektro Terapan, 12(2). https://doi.org/10.23960/jitet.v12i2.4012
DLY, I. A., Jasril, J., Sanjaya, S., Handayani, L., & Yanto, F. (2023). Klasifikasi Citra Daging Sapi dan Babi Menggunakan CNN Alexnet dan Augmentasi Data. Journal of Information System Research (JOSH), 4(4), 1176–1185. https://doi.org/10.47065/josh.v4i4.3702
Hasan, N., Bao, Y., Shawon, A., & Huang, Y. (2021). DenseNet Convolutional Neural Networks Application for Predicting COVID-19 Using CT Image. SN Computer Science, 2(5), 1–11. https://doi.org/10.1007/s42979-021-00782-7
Hui, W., Robert Jia, Z., Li, H., & Wang, Z. (2022). Galaxy Morphology Classification with DenseNet. Journal of Physics: Conference Series, 2402(1), 1–12. https://doi.org/10.1088/1742-6596/2402/1/012009
Irfan, D., Rosnelly, R., Wahyuni, M., Samudra, J. T., & Rangga, A. (2022). Perbandingan Optimasi Sgd, Adadelta, Dan Adam Dalam Klasifikasi Hydrangea Menggunakan Cnn. Journal of Science and Social Research, 5(2), 244. https://doi.org/10.54314/jssr.v5i2.789
Khoiruddin, M., Junaidi, A., & Saputra, W. A. (2022). Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network. Journal of Dinda : Data Science, Information Technology, and Data Analytics, 2(1), 37–45. https://doi.org/10.20895/dinda.v2i1.341
Kumar, M., Mehta, U., & Cirrincione, G. (2024). Enhancing neural network classification using fractional-order activation functions. AI Open, 5(July 2023), 10–22. https://doi.org/10.1016/j.aiopen.2023.12.003
Lamba, M., Gigras, Y., & Dhull, A. (2021). Classification of plant diseases using machine and deep learning. Open Computer Science, 11(1), 491–508. https://doi.org/10.1515/comp-2020-0122
Liao, T., Li, L., Ouyang, R., Lin, X., Lai, X., Cheng, G., & Ma, J. (2023). Classification of asymmetry in mammography via the DenseNet convolutional neural network. European Journal of Radiology Open, 11(July), 100502. https://doi.org/10.1016/j.ejro.2023.100502
Mikołajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning in image classification problem. 2018 International Interdisciplinary PhD Workshop, IIPhDW 2018, August, 117–122. https://doi.org/10.1109/IIPHDW.2018.8388338
Miranda, N. D., Novamizanti, L., Rizal, S., Elektro, F. T., & Telkom, U. (2020). Convolutional Neural Network Pada Klasifikasi Sidik Jari Menggunakan Resnet-50 Classification of Fingerprint Pattern Using Convolutional Neural Network in Clahe Image. Jurnal Teknik Informatika (JUTIF), 1(2), 61–68. http://jutif.if.unsoed.ac.id/index.php/jurnal/article/view/18
Purnamawati, A., Nugroho, W., Putri, D., & Hidayat, W. F. (2020). Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVMdan KNN. InfoTekJar: Jurnal Nasional Informatika Dan Teknologi Jaringan, 5(1), 212–215. https://doi.org/10.30743/infotekjar.v5i1.2934
Sabri, N., Ibrahim, Z., & Isa, D. (2018). Evaluation of color models for palm oil fresh fruit bunch ripeness classification. Indonesian Journal of Electrical Engineering and Computer Science, 11(2), 549–557. https://doi.org/10.11591/ijeecs.v11.i2.pp549-557
Saputra, R. A., Wasiyanti, S., Supriyatna, A., & Saefudin, D. F. (2021). Penerapan Algoritma Convolutional Neural Network Dan Arsitektur MobileNet Pada Aplikasi Deteksi Penyakit Daun Padi. Swabumi, 9(2), 184–188. https://doi.org/10.31294/swabumi.v9i2.11678
Sgd, P. O., Irfan, D., Rosnelly, R., Wahyuni, M., Samudra, J. T., & Rangga, A. (2022). Menggunakan Cnn. 4307(June), 244–253.
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0197-0
Shrivastava, V. K., & Pradhan, M. K. (2021). Rice plant disease classification using color features: a machine learning paradigm. Journal of Plant Pathology, 103(1), 17–26. https://doi.org/10.1007/s42161-020-00683-3
Shrivastava, V. K., Pradhan, M. K., Minz, S., & Thakur, M. P. (2019). Rice plant disease classification using transfer learning of deep convolution neural network. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(3/W6), 631–635. https://doi.org/10.5194/isprs-archives-XLII-3-W6-631-2019
Suharjito, Elwirehardja, G. N., & Prayoga, J. S. (2021). Oil palm fresh fruit bunch ripeness classification on mobile devices using deep learning approaches. Computers and Electronics in Agriculture, 188(July), 106359. https://doi.org/10.1016/j.compag.2021.106359
Wakili, M. A., Shehu, H. A., Sharif, M. H., Sharif, M. H. U., Umar, A., Kusetogullari, H., Ince, I. F., & Uyaver, S. (2022). Classification of Breast Cancer Histopathological Images Using DenseNet and Transfer Learning. Computational Intelligence and Neuroscience, 2022. https://doi.org/10.1155/2022/8904768
Wikarta, A., Sigit Pramono, A., & Ariatedja, J. B. (2020). Analisa Bermacam Optimizer Pada Convolutional Neural Network Untuk Deteksi Pemakaian Masker Pengemudi Kendaraan. Seminar Nasional Informatika, 2020(Semnasif), 69–72.
Published
2024-06-28
How to Cite
YANTO, Febi et al. KLASIFIKASI PENYAKIT TANAMAN PADI MENGGUNAKAN ARSITEKTUR DENSENET-121 DAN AUGMENTASI DATA. JOISIE (Journal Of Information Systems And Informatics Engineering), [S.l.], v. 8, n. 1, p. 124-134, june 2024. ISSN 2527-3116. Available at: <https://ejournal.pelitaindonesia.ac.id/ojs32/index.php/JOISIE/article/view/4256>. Date accessed: 13 nov. 2024. doi: https://doi.org/10.35145/joisie.v8i1.4256.
Section
Articles