Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Metode CNN dan SVM

Fiviana Sulistiyana, Sri Anardani

Abstract


Deteksi penyakit tanaman jagung melalui citra daun dengan metode convolutional neural network dan support vector machine dapat membantu petani dalam mendeteksi penyakit tanaman jagung melalui citra daun secara otomatis dan cepat. Dengan adanya sistem ini petani dapat meningkatkan efisiensi dan akurasi dalam diagnosis penyakit daun jagung. Tujuan dari penelitian ini adalah untuk mengetaui cara melakukan deteksi penyakit tanaman jagung melalui citra daun, serta cara melakukan pengujian metode CNN dan SVM. Pengujian dengan hasil akurasi tertinggi akan diimplementasikan pada sistem. Metode yang digunakan pada pengembangan perangkat lunak yaitu menggunkan metode Extreme Programming. Sistem deteksi penyakit tanaman jagung melalui citra daun dengan metode convolutional neural network dan support vector machine dibagung dengan microframework Flask, dengan bahasa pemrograman Python. Dataset yang digunaakan pada penelitian ini didapat Kaggle dengan total 3.732 citra daun jagung yang dibagi menjadi 4 kelas atau label yaitu Hawar, Jamur, Karat, dan Sehat. Hasil pengujian metode CNN dan SVM diukur menggunkan confusion matrix dan memperoleh hasil CNN sebesar 98% dan SVM 87%. Teks editor yang digunakan untuk menguji menguji model menggunakan Jupyter Notebook dan Visual Studio Code digunakan untuk pengkodean sistem.  

Full Text:

PDF

References


Fasounaki, M., Yüce, E. B., Öncül, S., & Ince, G. (2021). CNN-based Text-independent Automatic Speaker Identification Using Short Utterances. Proceedings - 6th International Conference on Computer Science and Engineering, UBMK 2021, 01, 413–418. https://doi.org/10.1109/UBMK52708.2021.9559031

Felix, F., Faisal, S., Butarbutar, T. F. M., & Sirait, P. (2019). Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun. Jurnal SIFO Mikroskil, 20(2), 117–134. https://doi.org/10.55601/jsm.v20i2.670

Goyal, P., Pandey, S., & Jain, K. (2021). Deep Learning for Natural Language Processing. In Lecture Notes in Networks and Systems (Vol. 190). https://doi.org/10.1007/978-981-16-0882-7_45

Hamsinar Henny, Musadat Fithriah, & Rahayu. (2019). Penerapan Metode Backward Chaining Pada Sistem Pakar Untuk Mendeteksi Penyakit Tanaman Jagung. Jurnal Informatika, 8(1), 1–5.

Hariyani, Y. S., Hadiyoso, S., & Siadari, T. S. (2020). Deteksi Penyakit Covid-19 Berdasarkan Citra X-Ray Menggunakan Deep Residual Network. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 8(2), 443. https://doi.org/10.26760/elkomika.v8i2.443

Ningtyas, D. F., & Setiyawati, N. (2021). Implementasi Flask Framework pada Pembangunan Aplikasi Purchasing Approval Request. Jurnal Janitra Informatika Dan Sistem Informasi, 1(1), 19–34. https://doi.org/10.25008/janitra.v1i1.120

Pamungkas, F. S., Prasetya, B. D., & Kharisudin, I. (2020). Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python. PRISMA, Prosiding Seminar Nasional Matematika, 3, 692–697. https://journal.unnes.ac.id/sju/index.php/prisma/article/view/37875

Pratama, S. R., & Mirza, A. H. (2021). Penerapan Data Mining Untuk Memprediksi Tingkat Inflasi Menggunakan Metode Regresi Linier Berganda Pada BPS. Bina Darma Conference on Computer Science, 245–255.

Pujiati, R., & Rochmawati, N. (2022). Identifikasi Citra Daun Tanaman Herbal Menggunakan Metode Convolutional Neural Network (CNN). Journal of Informatics and Computer Science (JINACS), 3(03), 351–357. https://doi.org/10.26740/jinacs.v3n03.p351-357

Rahadi, N. W., & Vikasari, C. (2020). Pengujian Software Aplikasi Perawatan Barang Milik Negara Menggunakan Metode Black Box Testing Equivalence Partitions. Infotekmesin, 11(1), 57–61. https://doi.org/10.35970/infotekmesin.v11i1.124

Rahma, L., Syaputra, H., Mirza, A. H., & Purnamasari, S. D. (2021). Objek Deteksi Makanan Khas Palembang Menggunakan Algoritma YOLO (You Only Look Once). Jurnal Nasional Ilmu Komputer, 2(3), 213–232. https://doi.org/10.47747/jurnalnik.v2i3.534

Ratna, S. (2020). Pengolahan Citra Digital Dan Histogram Dengan Phyton Dan Text Editor Phycharm. Technologia: Jurnal Ilmiah, 11(3), 181. https://doi.org/10.31602/tji.v11i3.3294

Retnoningsih, E., & Pramudita, R. (2020). Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python. Bina Insani Ict Journal, 7(2), 156. https://doi.org/10.51211/biict.v7i2.1422

Septiani, N. A., & Habibie, F. Y. (2022). Penggunaan Metode Extreme Programming Pada Perancangan Sistem Informasi Pelayanan Publik. Jurnal Sistem Komputer Dan Informatika (JSON), 3(3), 341. https://doi.org/10.30865/json.v3i3.3931

Solihin, A., Mulyana, D. I., & Yel, M. B. (2022). Klasifikasi Jenis Alat Musik Tradisional Papua menggunakan Metode Transfer Learning dan Data Augmentasi. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 5(2), 36–44. https://doi.org/10.47970/siskom-kb.v5i2.279

Suhendra, R., Juliwardi, I., & Sanusi, S. (2022). Identifikasi dan Klasifikasi Penyakit Daun Jagung Menggunakan Support Vector Machine. Jurnal Teknologi Informasi, 1(1), 29–35. https://doi.org/10.35308/.v1i1.5520

Türkoğlu, M., & Hanbay, D. (2019). Plant disease and pest detection using deep learning-based features. Turkish Journal of Electrical Engineering and Computer Sciences, 27(3), 1636–1651. https://doi.org/10.3906/elk-1809-181


Refbacks

  • There are currently no refbacks.



 
PANDUAN SUBMITE ARTIKEL
 


Kantor Sekertariat:
Universitas PGRI Madiun
Jl. Auri No. 14-16  Kota Madiun 63118
Lt 3 Kantor Program Studi Teknik Informatika
email :  senatik@unipma.ac.id
 
 

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.