Implementasi Metode Convolutional Neural Network Untuk Deteksi Penyakit Pada Tanaman Kopi Arabika Melalui Citra Daun Berbasis Android

Andre Ilham Saputra; Indra Weni; Ulfa  Khaira

doi:10.51454/decode.v4i1.231

Authors

Andre Ilham Saputra Sistem Informasi Universitas Jambi
Indra Weni Sistem Informasi Universitas Jambi
Ulfa Khaira Sistem Informasi Universitas Jambi

DOI:

https://doi.org/10.51454/decode.v4i1.231

Keywords:

Convolutional Neural Network, Hyperparameter, Images, Klasifikasi, Penyakit Kopi Arabika

Abstract

Penyakit pada tanaman kopi arabika merupakan masalah serius yang dapat menyebabkan kerugian bagi petani jika tidak terdeteksi dan ditangani secara tepat waktu. Dalam penelitian ini, digunakan metode Convolutional Neural Network (CNN) untuk mendeteksi penyakit pada tanaman kopi arabika. Metode CNN dipilih karena kemampuannya dalam memproses data citra dan mempelajari pola yang kompleks, terutama dalam konteks identifikasi penyakit pada tanaman. Dataset yang digunakan berupa citra daun kopi arabika yang dikategorikan menjadi tiga kelas: Penyakit Bercak Daun, Karat Daun, dan Daun Sehat dengan jumlah total 2829 citra daun yang kemudian dibagi dengan skenario 80:20 untuk data latih dan data uji. Pada penelitian ini dilakukan pengujian hyperparameter dengan memvariasikan jumlah epoch, nilai batch size dan optimizer. Hasil penelitian menunjukkan bahwa peningkatan jumlah epoch dan nilai batch size berdampak terhadap akurasi model CNN. Dari pengujian hyperparameter didapatkan model optimum dengan menggunakan 50 epoch, batch size 32, dan optimizer Adam yang mencetak akurasi sebesar 94.33% pada proses pengujian.

References

Ahmad, Z., & Khan, N. (2021). CNN-Based Multistage Gated Average Fusion (MGAF) for Human Action Recognition Using Depth and Inertial Sensors. IEEE Sensors Journal, 21(3), 3623–3634. https://doi.org/10.1109/JSEN.2020.3028561

Ashshiddieqy, M. H., Jondri, & Rizal, A. (2020). Klasifikasi Suara Paru Dengan Convolutional Neural Network (CNN). EProceedings of Engineering, 07(02), 8506–8512.

Badan Pusat Statistik Nasional, 2022. Jumlah Produksi Kopi di Indonesia (2017-2021). Jakarta: Badan Pusat Statistik.

Dumoulin, V., & Visin, F. (2016). A guide to convolution arithmetic for deep learning. ArXiv, 1–31. https://doi.org/https://doi.org/10.48550/arXiv.1603.07285

Gunawan, M. D., Franz, A., & Manullang, R. R. (2020). Sistem Pakar Penyakit Tanaman Kopi (Coffea Sp)Metode Forward Chaining Berbasis Web. Buletin Poltanesa, 21(1), 26–31. https://doi.org/10.51967/tanesa.v21i1.321

Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539

Neary, P. L. (2018). Automatic hyperparameter tuning in deep convolutional neural networks using asynchronous reinforcement learning. Proceedings - 2018 IEEE International Conference on Cognitive Computing, ICCC 2018 - Part of the 2018 IEEE World Congress on Services, (December), 73–77. https://doi.org/10.1109/ICCC.2018.00017

Ng, W., Minasny, B., Montazerolghaem, M., Padarian, J., Ferguson, R., Bailey, S., & McBratney, A. B. (2019). Convolutional neural network for simultaneous prediction of several soil properties using visible/near-infrared, mid-infrared, and their combined spectra. Geoderma, 352, 251–267. https://doi.org/10.1016/j.geoderma.2019.06.016

Perez, L., & Wang, J. (2017). The Effectiveness of Data Augmentation in Image Classification using Deep Learning. Retrieved from http://arxiv.org/abs/1712.04621

Prastowo, B., Karmawati, E., Siswanto, R., & Munarso, C. I. S. J. (2010). Budidaya dan Pasca Panen Kopi (Yusniarti & A. Budiharto, eds.). Kementerian Pertanian.

Putra, W. S. E. (2016). Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101. J. Tek. ITS, 5.

Putri, A. Y. P., & Sodik, A. (2019). Identifikasi Penyakit Tanaman Kopi Arabika dengan Metode K-Nearest Neighbor (K-NN). Seminar Nasional Sains Dan Teknologi Terapan, VII, 759–764.

Ramadhan, M., Anwar, B., Gunawan, R., & Kustini, R. (2021). Pada Tanaman Kopi Menggunakan Metode. Sistem Pakar Untuk Mendiagnosa Penyakit Pada Tanaman Kopi Menggunakan Metode Teorema Bayes, 4307(June), 115–121.

Rasyidi, M. A., & Bariyah, T. (2020). Batik pattern recognition using convolutional neural network. 9(4), 1430–1437. https://doi.org/10.11591/eei.v9i4.2385

Sabrina, A. (2022). Klasifikasi Penyakit pada Tanaman Kopi Robusta Berdasarkan Citra Daun Menggunakan Convolutional Neural Network. E-Proceeding of Engineering, 9(3), 1919–1927.

Singh, V., & Misra, A. K. (2017). Detection of plant leaf diseases using image segmentation and soft computing techniques. Information Processing in Agriculture, 4(1), 41–49. https://doi.org/10.1016/j.inpa.2016.10.005

Wallelign, S., Polceanu, M., Jemal, T., & Buche, C. (2019). Coffee grading with convolutional neural networks using small datasets with high variance. Journal of WSCG, 27(2), 113–120. https://doi.org/10.24132/JWSCG.2019.27.2.4

Wang, G., Sun, Y., & Wang, J. (2017). Automatic Image-Based Plant Disease Severity Estimation Using Deep Learning. Hindawi Computational Intelligence and Neuroscience, 2017, 8. https://doi.org/https://doi.org/10.1155/2017/2917536