Klasifikasi Jenis Penyakit Daun Teh Menggunakan Arsitekture VGG16
DOI:
https://doi.org/10.56995/sintek.v6i1.250Keywords:
Klasifikasi, Penyakit Daun Teh, VGG16Abstract
Perkembangan produksi teh di Indonesia semakin menurun setiap tahunnya. Penurunan produksi teh salah satunya disebabkan adanya serangan hama dan penyakit pada daun teh yang mempengaruhi hasil panen dan kualitas teh. Klasifikasi penyakit dauh teh sangat penting untuk mengetahui perawatan yang diperlukan dalam keberlanjutan sistem budidaya. Klasifikasi penyakit daun teh masih mengandalkan tenaga professional dan pengalaman kerja petani, hal ini akan memakan waktu, melelahkan dan tidak efisien. Beberapa tahun terakhir kemunculan algoritma pembelajaran mesin menyediakan sistem dukungan untuk klasifikasi penyakit daun teh. Penelitian ini bertujuan untuk melakukan klasifikasi jenis penyakit daun teh menggunakan arsitektur CNN VGG16. VGG16 memiliki score akurasi cukup tinggi, dan memiliki performa yang baik. Tahapan penelitian berupa pengumpulan data, data prepocessing, klasifikasi, evaluasi. Arsitektur VGG16 menghasilkan akurasi sebesar 94% dan nilai loss 0,2266% yang menujukkan bahwa arsitektur ini mampu melakukan klasifikasi penyakit dauh teh dengan baik yang ditunjukkan dengan hasil pengujian dari 36 data yang mana 35 data citra daun teh terdeteksi benar dan 1 citra terdeteksi dengan klasifikasi jenis penyakit yang salah.
Downloads
References
S. D. T. P. Statistik, Statistik Teh Indonesia 2019. 2019.
D. Krisnandi et al., “Diseases Classification for Tea Plant Using Concatenated Convolution Neural Network,” CommIT (Communication Inf. Technol. J., vol. 13, no. 2, pp. 67–77, 2019, doi: 10.21512/commit.v13i2.5886.
J. Chen, Q. Liu, and L. Gao, “Visual tea leaf disease recognition using a convolutional neural network model,” Symmetry (Basel)., vol. 11, no. 3, 2019, doi: 10.3390/sym11030343.
S. Mukhopadhyay, M. Paul, R. Pal, and D. De, “Tea leaf disease detection using multi-objective image segmentation,” Multimed. Tools Appl., vol. 80, no. 1, pp. 753–771, 2021, doi: 10.1007/s11042-020-09567-1.
X. Sun, S. Mu, Y. Xu, Z. Cao, and T. Su, “Image Recognition of Tea Leaf Diseases Based on Convolutional Neural Network,” 2018 Int. Conf. Secur. Pattern Anal. Cybern. SPAC 2018, pp. 304–309, 2018, doi: 10.1109/SPAC46244.2018.8965555.
S. Lee, C. Wu, and S. Chen, “Development of Image Recognition and Classification Network Written for presentation at the 2018 ASABE Annual International Meeting Sponsored by ASABE,” pp. 2–9, 2018.
S. H. Lee, C. S. Chan, S. J. Mayo, and P. Remagnino, “How deep learning extracts and learns leaf features for plant classification,” Pattern Recognit., vol. 71, pp. 1–13, 2017, doi: 10.1016/j.patcog.2017.05.015.
Ibrahim Nur, Gita Ayu Lestari, Faniesa Saufana Hanafi3,
Khaerudin Saleh4, Nor Kumalasari Caecar Pratiwi5 ,Muthia
Syafika Haq6, Adhi Irianto Mastur, “Klasifikasi Tingkat Kematangan Pucuk Daun Teh menggunakan Metode Convolutional Neural Network”.
V. Siahaan and R. H. Sianipar, Penduan Praktis dan Komplit Pemrosesan Citra Digital. 2020.
N. Arkhamia, R. M. Awangga, and S. F. Pane, Perbandingan Faster R-CNN dengan SSD Mobilenet untuk Mendeteksi Plat Nomor. 2020.
M. R. R. Allaam and A. T. Wibowo, “KLASIFIKASI GENUS TANAMAN ANGGREK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK ( CNN ) Program Studi Sarjana Informatika Fakultas Informatika Universitas Telkom Bandung,” e-Proceeding Eng., vol. 8, no. 2, pp. 1153–1189, 2021.
I. Tahyudin, F. I. Jaya, A. Susli, N. Syafi’ah, A. M. Alfathani, and M. Purwati, Pengenalan Machine Learning Menggunakan Jupyter Notebook. 2020.
A. Lumini and L. Nanni, “Deep learning and transfer learning features for plankton classification,” Ecol. Inform., vol. 51, pp. 33–43, 2019, doi: 10.1016/j.ecoinf.2019.02.007.
B. Syamsuri and G. P. Kusuma, “Plant Disease Classification using Lite Pretrained Deep Convolutional Neural Network on Android Mobile Device,” Int. J. Innov. Technol. Explor. Eng., vol. 9, no. 2, pp. 2796–2804, 2019, doi: 10.35940/ijitee.b6647.129219.
