DETEKSI PENYAKIT PADA DAUN SINGKONG DENGAN PENGOLAHAN CITRA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)

DETEKSI PENYAKIT PADA DAUN SINGKONG DENGAN PENGOLAHAN CITRA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)

• By Amalia Fitri Desvita;
• Skripsi
• 12
• 1-62

ABSTRAK

 

Desvita Fitri Amalia(19236060), Deteksi Penyakit Pada Daun Singkong Dengan Pengolahan Citra Menggunakan Metode Convolutional Neural Network (CNN)

Penelitian ini mengembangkan dan mengimplementasikan model Convolutional Neural Network (CNN) dengan arsitektur AlexNet untuk mendeteksi penyakit pada daun singkong dan mengolahnya sebagai pakan ternak. Dataset berjumlah 1080 gambar daun singkong dengan lima kelas penyakit: blight, brown, green, healthy, dan mosaic. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Hasil penelitian menunjukkan peningkatan akurasi deteksi penyakit daun singkong secara signifikan. Pada epoch pertama, akurasi sebesar 21,18% dengan nilai loss 0,24098, sedangkan akurasi validasi sebesar 19,33% dengan nilai loss validasi 1,6592. Pada epoch ke-50, model mencapai akurasi 81% dengan nilai loss yang rendah, menunjukkan efektivitas AlexNet dalam mendeteksi penyakit daun singkong. Implementasi model ini membantu dalam deteksi penyakit tanaman dan pemanfaatan daun singkong sebagai pakan ternak dengan baik. Peningkatan akurasi ini menunjukkan bahwa model CNN AlexNet yang dikembangkan mampu mendeteksi penyakit pada daun singkong dengan efektif. Selain itu, deteksi penyakit yang lebih akurat dapat meningkatkan produksi dan kualitas tanaman singkong, sehingga mendukung keberlanjutan pertanian dan ekonomi petani. Dengan demikian, penelitian ini tidak hanya berkontribusi pada ilmu pengetahuan di bidang pertanian dan teknologi, tetapi juga memberikan manfaat praktis bagi para petani dan industri pakan ternak.

 

• Katakunci Daun singkong, Convolutional Neural Network, Deteksi penyakit tanaman, AlexNet, Pengolahan citra,
• URL http://
• Penerbit Bina Sarana Informatika,

REFERENSI

REFERENSI

Ade Kurnia Saeful. (2021). Analisis Kandungan Rutin Pada Daun Singkong Dan Olahannya Menggunakan Pereaksi Geser. Skripsi, 09, 1–28.

Ariyanto, A. D. P., Hasanah, S., Subkhi, M. B., & Suciati, N. (2023). Analisis Penggunaan Pra-proses pada Metode Transfer Learning untuk Mendeteksi Penyakit Daun Singkong. Techno.Com, 22(2), 336–347. https://doi.org/10.33633/tc.v22i2.7769

Chavez, K., & Hernando, L. (2023). Implementasi Sistem Pendeteksi Penyakit Pada Daun Singkong Dan Daun Cabai Berbasis Machine Learning. Jurnal Quancom, 1(2), 1–5.

Faturrachman, M., Studi, P., Informatika, T., Komputer, F., & Dan, T. (2022). Deteksi Penyakit Pada Daun Singkong.

Irfansyah, D., Mustikasari, M., & Suroso, A. (2021). Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi. Jurnal Informatika: Jurnal Pengembangan IT, 6(2), 87–92. https://doi.org/10.30591/jpit.v6i2.2802

Maulana, S. A., Husna Batubara, S., Amelia, T. A., Permata, Y., Pasaribu, P., & Willem, J. (2023). Penerapan Metode CNN (Convolutional Neural Network) Dalam Mengklasifikasi Jenis Ubur-Ubur. Jurnal Penelitian Rumpun Ilmu Teknik (JUPRIT), 2(4), 122–130. https://doi.org/10.55606/juprit.v2i4.3084

Michael Page, I. (2022). No 主観的健康感を中心とした在宅高齢者における 健康関連指標に関する共分散構造分析Title.

Sheila, S., Permata Sari, I., Bagas Saputra, A., Kharil Anwar, M., & Restu Pujianto, F. (2023). Deteksi Penyakit Pada Daun Padi Berbasis Pengolahan Citra Menggunakan Metode Convolutional Neural Network (CNN). Multinetics, 9(1), 27–34. https://doi.org/10.32722/multinetics.v9i1.5255

Suhendar, S., Purnama, A., & Fauzi, E. (2023). Deteksi Penyakit Pada Daun Tanaman Ubi Jalar Menggunakan Metode Convolutional Neural Network. Jurnal Ilmiah Informatika Global, 14(3), 62–67. https://doi.org/10.36982/jiig.v14i3.3478

Ulfah Nur Oktaviana, Ricky Hendrawan, Alfian Dwi Khoirul Annas, & Galih Wasis Wicaksono. (2021). Klasifikasi Penyakit Padi berdasarkan Citra Daun Menggunakan Model Terlatih Resnet101. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(6), 1216–1222. https://doi.org/10.29207/resti.v5i6.3607