IMPLEMENTASI TRANSFER LEARNING DALAM MENDETEKSI PENYAKIT PADA DAUN GANDUM

Faisal Mashuri

Abstract


Gandum merupakan salah satu komoditas yang paling sering di konsumsi oleh masyarakat Indonesia. Tanaman ini sering sekali dikonsumsi sebagai tambahan karbohidrat maupun pengganti beras. Kebanyakan masyarakat Indonesia mengonsumsi gandum untuk dijadikan bahan olahan seperti tepung, roti, sereal dan bahan olahan lainnya. Banyaknya permintaan gandum ini tidak diimbangi dengan tingkat produksi. Salah satu faktor yang menghambat produksi gandum adalah kegagalan panen akibat penyakit atau hama. Penyakit yang sering dijumpai pada tanaman gandum adalah Septoria dan Stripe Rust. Penyakit tersebut dapat diidentifikasi melalui warna dan bercak daun, tetapi sukar untuk membedakan kedua penyakit tersebut. Dengan perkembangan teknologi yang pesat masalah ini dapat diselesaikan menggunakan salah satu teknik deep learning yang dikenal dengan transfer learning. Tujuan pada penelitian ini adalah menguji lima pretrained model untuk mendeteksi penyakit pada daun gandum, beberapa model yang diujikan adalah Inception V3, MobileNetV2, VGG16, ResNet101V2, DenseNet 201. Hasil dari pengujian dan membandingkan lima pretrained model, Inception V3 memberikan hasil yang lebih baik dibandingkan model yang lain dengan waktu komputasi yang rendah yaitu hanya 976 detik atau setara dengan 16 menit serta memiliki akurasi yang sangat tinggi.


References


N. Fitri, “Kepentingan Indonesia Melakukan Impor Gandum Dari Australia Tahun 2012-2016,” Jom Fisip, vol. 6, pp. 1–8, 2019.

R. C. Downie et al., “Septoria Nodorum Blotch of Wheat: Disease Management and Resistance Breeding in the Face of Shifting Disease Dynamics and a Changing Environment,” Phytopathology®, p. PHYTO-07-20-028, 2021

M. Hon and N. M. Khan, “Towards Alzheimer’s disease classification through transfer learning,” Proc. - 2017 IEEE Int. Conf. Bioinforma. Biomed. BIBM 2017, vol. 2017-Janua, pp. 1166–1169, 2017

R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma SMOTE dan k-Nearest Neighbor,” J. ISD, vol. 3, no. 1, pp. 44–49, 2018.

B. Budiman, “Pendeteksian Penggunaan Masker Wajah Dengan Metode Convolutional Neural Network,” J. Ilmu Komput. dan Sist. Inf., vol. Vol.9 No.1, 2021.

C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the Inception Architecture for Computer Vision,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-December, pp. 2818–2826, 2016, doi: 10.1109/CVPR.2016.308.

N. Evans and A. Tedder, “Holographic model of hgadronization,” Phys. Rev. Lett., vol. 100, no. 16, 2008.

A. G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” 2017

K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–14, 2015.

G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, “Densely connected convolutional networks,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-Janua, pp. 2261–2269, 2017.

Darmatasia, “Analisis Perbandingan Performa Model Deep Learning untuk Mendeteksi Penggunaan Masker,” J. IT, vol. 11, no. 2, pp. 101–107, 2020.

A. J. Rozaqi, A. Sunyoto, and M. rudyanto Arief, “Deteksi Penyakit Pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network,” Creat. Inf. Technol. J., vol. 8, no. 1, p. 22, 2021.

C. Garbin, X. Zhu, and O. Marques, “Dropout vs. batch normalization: an empirical study of their impact to deep learning,” Multimed. Tools Appl., vol. 79, no. 19–20, pp. 12777–12815, 2020.

Y. Zhai et al., “Robust SAR Automatic Target Recognition Based on Transferred MS-CNN with L2-Regularization,” Comput. Intell. Neurosci., vol. 2019.

C. Yang et al., “Structured Pruning of Convolutional Neural Networks via L1 Regularization,” IEEE Access, vol. 7, pp. 106385–106394, 2019.

T. R. Savera, W. H. Suryawan, and A. W. Setiawan, “Deteksi Dini Kanker Kulit Menggunakan K-Nn Dan Early Detection of Skin Cancer Using K-Nn and Convolutional,” vol. 7, no. 2, pp. 373–378, 2020.

I. M. Dheir, A. Soliman, A. Mettleq, A. A. Elsharif, and S. S. Abu-Naser, “Classifying Nuts Types Using Convolutional Neural Network,” Int. J. Acad. Inf. Syst. Res., vol. 3, no. 12, pp. 12–18, 2020.




DOI: https://doi.org/10.25134/nuansa.v16i1.4702

NUANSA INFORMATIKA : JURNAL TEKNOLOGY DAN INFORMASI
p-ISSN :1858-3911 , e-ISSN : 2614-5405
DOI : https://doi.org/10.25134/nuansa
Accreditation : SINTA 5

Organized by Faculty of Computer Science, Universitas Kuningan, Indonesia.
Website : https://journal.uniku.ac.id/index.php/ilkom
Email : [email protected]
Address : Jalan Cut Nyak Dhien No.36A Kuningan, Jawa Barat, Indonesia.

StatCounter

View My Stats Creative Commons

Lisensi Creative Commons
NUANSA INFORMATIKA is licensed under a Lisensi Creative Commons Atribusi 4.0 Internasional.