Sistem Informasi Deteksi Penyakit Pada Tanaman Padi (Brown Spot, Hispa, Leaf Blast) Menggunakan Metode Convolutional Neural Network (CNN)

Yusuf Fadlila Rachman; Pratiwi  Susanti; Affriza Brilyan Relo Pambudi Agus Putra; Nuriya Imroatu  Rahmawati

doi:10.51454/decode.v4i3.846

Authors

Yusuf Fadlila Rachman Teknik Informatika Universitas Sebelas Maret
Pratiwi Susanti Teknik Informatika Universitas PGRI Madiun
Affriza Brilyan Relo Pambudi Agus Putra Bisnis Digital Universitas Telkom Purwokerto
Nuriya Imroatu Rahmawati Teknik Informatika Universitas Sebelas Maret

DOI:

https://doi.org/10.51454/decode.v4i3.846

Keywords:

Artificial Intelligence, Brown Spot, Convolutional Neural Network, Deteksi, Hispa, Leaf Blast

Abstract

Sebagai salah satu produsen padi terbesar di dunia, sering menghadapi penurunan produksi akibat serangan penyakit padi. Pendeteksian penyakit secara manual kurang efektif karena keterbatasan pengetahuan petani. Solusi yang ditawarkan untuk mengatasi masalah ini adalah untuk mengembangkan sistem informasi berbasis kecerdasan buatan yang mampu mendeteksi secara otomatis penyakit pada tanaman padi, termasuk Brown Spot, Hispa, dan Leaf Blast, dengan menggunakan metode Convolutional Neural Network (CNN). Sistem ini diharapkan dapat membantu petani dalam melakukan deteksi dini terhadap penyakit padi, sehingga meningkatkan efisiensi dan kualitas produksi pertanian. Sistemmengolah data gambar padi dan mendeteksi kondisi kesehatannya, termasuk mendeteksi padi sehat serta penyakit Brown Spot, Hispa, dan Leaf Blast. Penelitian ini menggunakan 3.355 dataset yang dibagi menjadi 335 untuk proses training, 335 untuk testing, dan 2.685 untuk validasi. Metode yang digunakan pada pengembangan system menerapkan pendekatan pengembangan perangkat lunak Waterfall, yang mencakup analisis kebutuhan, desain sistem, implementasi, pengujian, dan pemeliharaan system. Sistem "Paddy-AI" yang dikembangkan mampu mencapai akurasi 85% dalam mendeteksi gambar.

References

Azhar, K. M., Santoso, I., & Soetrisno, Y. A. A. (2021). Implementasi Deep Learning Menggunakan Metode Convolutional Neural Network Dan Algoritma Yolo Dalam Sistem Pendeteksi Uang Kertas Rupiah Bagi Penyandang Low Vision. Transient J. Ilm. Tek. Elektro, 10(3), 502-509.

Benbrahim, H., Hachimi, H., & Amine, A. (2020). Deep convolutional neural network with tensorflow and keras to classify skin cancer images. Scalable Computing: Practice and Experience, 21(3), 379-390.

Chaterjee, A., Roy, B., & all, e. (2022). Image Classification Using Keras. IJRTI.

Damayanti, E., Vitianingsih, A. V., Kacung, S., Suhartoyo, H., & Maukar, A. L. (2024). Sentiment Analysis of Alfagift Application User Reviews Using Long Short-Term Memory (LSTM) and Support Vector Machine (SVM) Methods. Decode: Jurnal Pendidikan Teknologi Informasi, 4(2), 509-521. https://doi.org/10.51454/decode.v4i2.478

Felix, F., Wijaya, J., Sutra, S. P., Kosasih, P. W., & Sirait, P. (2020). Implementasi Convolutional Neural Network Untuk Identifikasi Jenis Tanaman Melalui Daun. Jurnal SIFO Mikroskil, 21(1), 1-10.

Findawati. (2018). Buku Ajar Rekayasa Perangkat Lunak. Sidoarjo: Umsida Press.

Guntara, R. G. (2023). Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritama Deep Learning Yolov7. Jurnal Teknologi Dan Sistem Informasi Bisnis , 5(1), 55-60.

Hastari, D., Winanda, S., Pratama, A. R., Nurhaliza, N., & Ginting, E. S. (2024). Application of Convolutional Neural Network ResNet-50 V2 on Image Classification of Rice Plant Disease. Public Research Journal of Engineering, Data Technology and Computer Science, 1(2).

Husen, D., Kusrini, K., & Kusnawi, K. (2022). Deteksi Hama Pada Daun Apel Menggunakan Algoritma Convolutional Neural Network. Jurnal Media Informatika Budidarma, 6(4), 2103-2110.

Irawan, F. A., Sudarma, M., & Khrisne, D. C. (2021). Rancang Bangun Aplikasi Identifikasi Penyakit Tanaman Pepaya California Berbasis Android Menggunakan Metode Cnn Model Arsitektur Squeezenet. Jurnal SPEKTRUM Vol, 8(2).

Jinan, A., & Hayadi, B. H. (2022). Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron). Journal of Computer and Engineering Science, 37-44.

Jonathan, A., & Wasito, I. (2023). Perancangan Aplikasi Pengenalan Aksara Jawa Digital Menggunakan Convulotional Neural Network dan Computer Vision. Decode: Jurnal Pendidikan Teknologi Informasi, 3(2), 364-377. https://doi.org/10.51454/decode.v3i2.209

Kholilurrahman, M., Syafei, W. A., & Nurhayati, O. D. (2023). Image Processing Classification of Rice Leaf Color Images Using the Convolutional Neural Network Method. Jurnal Ilmiah Sains, 175-186. https://doi.org/10.35799/jis.v23i2.50415

Masykur, F., Setyawan, M. B., & Winangun, K. (2022). Optimalisasi Epoch Pada Klasifikasi Citra Daun Tanaman Padi Menggunakan Convolutional Neural Network (CNN) MobileNe t Epoch Optimization on Rice Leaf Image Classification Using Convolutional Neural Network (CNN) MobileNet. no. July, 581-590.

Ngantung, R. K., & Pakereng, M. I. (2021). Model Pengembangan Sistem Informasi Akademik Berbasis User Centered Design Menerapkan Framework Flask Python. Jurnal Media Informatika Budidarma, 5(3), 1052-1062.

Novendri, M. S., Saputra, A., & Firman, C. E. (2019). Aplikasi inventaris barang pada mts nurul islam dumai menggunakan php dan mysql. lentera dumai, 10(2).

Nurani, D., Yanuar, I. L., & Putra, A. D. (2022). Klasifikasi Jenis Penyakit Pada Citra Daun Padi Menggunakan Algoritma Convolution Neural Network. Jurnal Teknologi Informasi dan Komputer, 8(3).

Nurlita, I., & Anggraini, R. (2023). Analysis and Design of Incoming and Outgoing Cash Accounting Information Systems at Kilometer 28 Laundry using the Pieces and Waterfall Methods with Unified Modeling Language (Uml) Tools. Formosa Journal of Applied Sciences, 2(6), 1065-1090.

Rahmawati, I., Abdussalaam, F., & Sari, I. (2023). Tata Kelola Rekam Medis Berbasis Elektronik Dalam Pengelolaan Pelaporan Instalasi Rawat Jalan Dengan Metode Waterfall. Decode: Jurnal Pendidikan Teknologi Informasi, 3(2), 310-321. https://doi.org/10.51454/decode.v3i2.201

Rasywir, E., Sinaga, R., & Pratama, Y. (2020). Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN). Jurnal Khatulistiwa Informatika, 22(2), 117-123.

Sethy, P. K., Barpanda, N. K., Rath, A. K., & Behera, S. K. (2020). Image processing techniques for diagnosing rice plant disease: a survey. Procedia Computer Science, 167, 516-530.

Sitompul, P., Okprana, H., & Prasetio, A. (2022). Identifikasi Penyakit Tanaman Padi Melalui Citra Daun Menggunakan DenseNet 201. JOMLAI: Journal of Machine Learning and Artificial Intelligence, 1(2), 143-150.

Suryadewiansyah, M. K., & Tju, T. E. E. (2022). Naïve bayes dan confusion matrix untuk efisiensi analisa intrusion detection system alert. Jurnal Nasional Teknologi dan Sistem Informasi, 8(2), 81-88.

Xu, J., Zhang, Y., & Miao, D. (2020). Three-way confusion matrix for classification: A measure driven view. Information sciences, 507, 772-794.