PERBANDINGAN PERFORMA ARSITEKTUR CONVULUTIONAL NEURAL NETWORK UNTUK DETEKSI HAMA DAUN SAWI HIJAU

Raden Ronggo Bintang Pratomo Prawirodirjo, Putu Niar Meiwasandi, Fitto Marcelindo, Anndya Dyah Kusuma, Pritasari Palupiningsih

Abstract


Sawi hijau merupakan komoditas pertanian penting di Indonesia, namun rentan terhadap serangan hama yang dapat menurunkan kualitas dan hasil panen. Penelitian ini mengeksplorasi penggunaan teknologi kecerdasan buatan, khususnya Convolutional Neural Networks (CNN), untuk mendeteksi hama pada tanaman sawi hijau secara akurat dan efisien. Tiga arsitektur CNN, yaitu VGG19, InceptionV3, dan Xception, diterapkan dan dibandingkan performanya dalam mengklasifikasikan citra daun sawi yang terserang hama. Metodologi meliputi pengumpulan dan preprocessing data citra, pemodelan dengan ketiga arsitektur, serta evaluasi menggunakan berbagai metrik kinerja. Hasil menunjukkan bahwa arsitektur VGG19 unggul dalam hal akurasi yaitu mencapai 96%, efisiensi penggunaan sumber daya, dan nilai MAPE terendah yaitu 4,61, menjadikannya pilihan optimal untuk implementasi sistem deteksi hama pada tanaman sawi hijau.

Full Text:

PDF

References


Ratnasari, E. D., Rudira, D. A., & Surya Buana, A. (n.d.). KLASIFIKASI PENYAKIT DAUN SAWI HIJAU DENGAN METODE CNN (Vol. 3).

Yuliani, E., Aini, A. N., & Khasanah, C. U. (2019). Perbandingan Jumlah Epoch Dan Steps Per Epoch Pada Convolutional Neural Network Untuk Meningkatkan Akurasi Dalam Klasifikasi Gambar. Jurnal Bimbingan Dan Konseling (E-Journal), 07(1), 53–60.

Keras. (2022). Keras Applications. Keras.Io. https://keras.io/api/applications/

Nazalia, C. L., Palupiningsih, P., Prayitno, B., & Purwanto, Y. S. (2023). Implementation of Convolutional Neural Network Algorithm to Pest Detection in Caisim. In 2023 International Conference on Computer Science, Information Technology and Engineering (ICCoSITE) (pp. 609-614). Jakarta, Indonesia. https://doi.org/10.1109/ICCoSITE57641.2023.10127792N.

Prasanna, A., Saran, S., Manoj, N. M., & Alagu, S. (2023). A Deep Learning Framework for Semantic Segmentation of Nucleus for Acute Lymphoblastic Leukemia Detection. Proceedings of the 9th International Conference on Biosignals, Images, and Instrumentation, ICBSII 2023. https://doi.org/10.1109/ICBSII58188.2023.10181067

Rifa’i Sujiwanto, A., Bintang, R., Prawirodirjo, P., & Palupingsih, P. (n.d.). Analisis Perbandingan Performa Model Klasifikasi Kesehatan Daun Tomat menggunakan arsitektur VGG, MobileNet, dan Inception V3 Analysis Tomato Leaf Health Classification Model Performance Comparison Using VGG, MobileNet, and Inception V3.

N. Tachai, P. Yato, T. Muangpan, K. Srijiranon and N. Eiamkanitchat, "KaleCare: Smart Farm for Kale with Pests Detection System using Machine Learning," 2021 16th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP), Ayutthaya, Thailand, 2021, pp. 1-6, doi: 10.1109/iSAI-NLP54397.2021.9678178.

Lestari, S., & Irfan Nauval, K. (2022). IMPLEMENTASI DETEKSI OBJEK PENYAKIT DAUN KENTANG DENGAN METODE CONVOLUTIONAL NEUTRAL NETWORK. In Jurnal Aplikasi Teknologi Informasi dan Manajemen (JATIM) (Vol. 3, Issue 2).

Rahmalisa, U., Linarta, A., Ilmu Komputer, F., & Hang Tuah Pekanbaru, U. (2023). IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI HAMA PADA TANAMAN HIDROPONIK. Jurnal Informatika, Manajemen Dan Komputer, 15(2).

Ayu, T., Dwi, V., & Minarno, A. E. (2021). Pendiagnosa Daun Mangga Dengan Model Convolutional Neural Network. CESS (Journal of Computer Engineering, System and Science), 6(2), 230. https://doi.org/10.24114/cess.v6i2.22857

Azath, M., Zekiwos, M., & Bruck, A. (2021). Deep Learning-Based Image Processing for Cotton Leaf Disease and Pest Diagnosis. Journal of Electrical and Computer Engineering, 2021. https://doi.org/10.1155/2021/9981437

Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145(September 2017), 311–318. https://doi.org/10.1016/j.compag.2018.01.009

Melisa. (2021). KLASIFIKASI PENGENALAN EKSPRESI WAJAH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS DENGAN ARSITEKTUR VGG-19. Universitas Telkom.

Diseminasi, P., & Genap, F. (n.d.). Image Captioning Menggunakan Metode Inception-V3 dan Transformer.

Kurniawan, R., Wintoro, P. B., Mulyani, Y., & Komarudin, M. (2023). IMPLEMENTASI ARSITEKTUR XCEPTION PADA MODEL MACHINE LEARNING KLASIFIKASI SAMPAH ANORGANIK. Jurnal Informatika Dan Teknik Elektro Terapan, 11(2). https://doi.org/10.23960/jitet.v11i2.3034




DOI: https://doi.org/10.33365/jti.v19i1.4453

Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Raden Ronggo Bintang Pratomo Prawirodirjo, Putu Niar Meiwasandi, Fitto Marcelindo, Anndya Dyah Kusuma, Pritasari Palupiningsih

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JURNAL TEKNOINFO
Published by Universitas Teknokrat Indonesia
Organized by Prodi S1 Informatika FTIK Universitas Teknokrat Indonesia

W: http://ejurnal.teknokrat.ac.id/index.php/teknoinfo/index
E : teknoinfo@teknokrat.ac.id.
Jl. Zainal Abidin Pagaralam, No.9-11, Labuhan Ratu, Bandarlampung

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jumlah Pengunjung : View Teknoinfo StatsCounter

Flag Counter