Implementasi Klasifikasi Citra Berbasis Tensorflow Untuk Mendeteksi Penyakit Tanaman Pada Aplikasi Agroscan

Authors

  • Jenny Rahma Hidaya Universitas Bina Darma
  • Jemakmum Universitas Bina Darma

DOI:

https://doi.org/10.37859/jf.v15i1.8536
Keywords: Kecerdasan Buatan, Pembelajaran Mesin, Deteksi Penyakit Tanaman, Convolutional Neural Network, Agroscan Apllication

Abstract

Mengidentifikasi penyakit pada tanaman merupakan hal yang dapat mempengaruhi produktivitas dan keberlanjutan hasil panen di bidang pertanian. Penelitian ini memanfaatkan algoritma Convolutional Neural Network (CNN) dengan tujuan mengembangkan aplikasi Agroscan untuk mengidentifikasi penyakit pada tanaman. Metode yang digunakan berupa pengumpulan dataset yang terdiri dari gambar daun di berbagai jenis tanaman, seperti paprika, kentang, dan tomat yang telah terinfeksi berbagai penyakit. Model CNN dilatih dengan menggunakan datasetPlantVillage, yang terdiri dari 20.638 citra, dan mampu mencapai akurasi pelatihan sebesar 97,30% serta akurasi validasi sebesar 95,02%. Hasil penelitian membuktikan bahwa CNN efektif dalam mengidentifikasi penyakit pada tanaman, dengan tujuan untuk meningkatkan hasil panen dan mendukung pertanian berkelanjutan.

Downloads

Download data is not yet available.

References

R. Soekarta, N. Nurdjan, and A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” Prosiding Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2022, vol. 8, no. 2, 2023.

M. Riziq sirfatullah Alfarizi, M. Zidan Al-farish, M. Taufiqurrahman, G. Ardiansah, and M. Elgar, “PENGGUNAAN PYTHON SEBAGAI BAHASA PEMROGRAMAN UNTUK MACHINE LEARNING DAN DEEP LEARNING,” Karimah Tauhid, vol. 2, no. 1, 2023.

N. Rochmawati et al., “Analisa Learning rate dan Batch size Pada Klasifikasi Covid Menggunakan Deep learning dengan Optimizer Adam,” Journal Information Engineering and Educational Technology, vol. Volume 05 Nomor 02, 2021.

A. Fadjeri, A. Setyanto, and M. P. Kurniawan, “Pengolahan Citra Digital Untuk Menghitung Ekstrasi Ciri Greenbean Kopi Robusta Dan Arabika (Studi Kasus: Kopi Temanggung),” Jurnal Teknologi Informasi dan Komunikasi (TIKomSiN), vol. 8, no. 1, Apr. 2020, doi: 10.30646/tikomsin.v8i1.462.

K. Azmi, S. Defit, and U. Putra Indonesia YPTK Padang Jl Raya Lubuk Begalung-Padang-Sumatera Barat, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” Jurnal Unitek, vol. 16, no. 1, p. 2023, 2023.

Y. Yuliska and K. U. Syaliman, “Literatur Review Terhadap Metode, Aplikasi dan Dataset Peringkasan Dokumen Teks Otomatis untuk Teks Berbahasa Indonesia,” IT Journal Research and Development, vol. 5, no. 1, pp. 19–31, Jul. 2020, doi: 10.25299/itjrd.2020.vol5(1).4688.

D. Iskandar Mulyana and A. Akbar, “OPTIMASI KLASIFIKASI BATIK BETAWI MENGGUNAKAN DATA AUGMENTASI DENGAN METODE KNN DAN GLCM,” Jurnal Aplikasi Teknologi Informasi dan Manajemen (JATIM), vol. Vol.3 No.2, 2022.

U. UNGKAWA and G. AL HAKIM, “Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 3, p. 731, Jul. 2023, doi: 10.26760/elkomika.v11i3.731.

A. Eka et al., “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Klasifikasi Jenis Rempah Menggunakan Convolutional Neural Network dan Transfer Learning,” Jurnal Edukasi dan Penelitian Informatika, vol. Vol. 9 No. 1, 2023.

N. K. Akmal and M. N. Dasaprawira, “RANCANG BANGUN APPLICATION PROGRAMMING INTERFACE (API) MENGGUNAKAN GAYA ARSITEKTUR GRAPHQL UNTUK PEMBUATAN SISTEM INFORMASI PENDATAAN ANGGOTA UNIT KEGIATAN MAHASISWA (UKM) STUDI KASUS UKM STARLABS,” JURNAL SISTEM INFORMASI DAN TENOLOGI, vol. Vol 5, No 1, 2022, [Online]. Available: http://www.jurnal.umk.ac.id/sitech

Downloads

Published

2025-05-18

Issue

Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)

Section

Articles

License

Copyright Notice

An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:

  • Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
  • Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
  • Author is  permitted and encouraged to post his/her  work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).

Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.