Identifikasi Penyakit Daun pada Tanaman Kedelai Menggunakan Metode CNN dan Random Forest

Rifaldy Dwi Arianto, Yessi Yunitasari

Abstract


Sistem identifikasi penyakit daun pada tanaman kedelai menggunakan metode Convolutional Neural Network dan Random Forest dapat membantu petani dalam mendeteksi penyakit daun menggunakan citra daun secara otomatis dan cepat. Dengan adanya sistem ini, petani dapat meningkatkan efisiensi dan keakuratan dalam memprediksi penyakit daun kedelai. Penelitian ini bertujuan untuk mengetahui cara mengidentifikasi penyakit daun tanaman kedelai menggunakan citra daun dan cara menerapkan algoritma Convolutional Neural Network dan Random Forest pada sistem identifikasi penyakit daun kedelai. Pengujian dengan hasil akurasi yang lebih tinggi akan diimplementasikan pada sistem yang dibangun. Metode pengembangan sistem yang digunakan yaitu metode Extreme Programming yang memungkinkan pengembang beradaptasi dengan cepat pada perubahan yang terjadi selama proses pengembangan. Sistem dibangun menggunakan bahasa pemrograman Python dan micro-framework Flask dengan dataset sebanyak 1120 data pelatihan dan 280 data pengujian. Hasil pengujian yang didapat dari metode CNN dan Random Forest menggunakan classification report yaitu 100% untuk metode CNN dan 78% untuk metode Random Forest.

References


Aditya, M. R. V., Husni, N. L., Pratama, D. A., & Handayani, A. S. (2020). Penerapan Sistem Pengolahan Citra Digital Pendeteksi Warna Pada Starbot. Jurnal Teknika, 14(2), 185–191.

Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions. Journal of Big Data, 8(53), 1–74. https://doi.org/10.1186/s40537-021-00444-8

Apriliah, W., Kurniawan, I., Baydhowi, M., & Haryati, T. (2021). Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest. SISTEMASI: Jurnal Sistem Informasi, 10(1), 163–171. http://sistemasi.ftik.unisi.ac.id

Bonney, M. S., De Angelis, M., Dal Borgo, M., Andrade, L., Beregi, S., Jamia, N., & Wagg, D. J. (2022). Development of a Digital Twin Operational Platform Using Python Flask. Data-Centric Engineering, 3(1), 1–14. https://doi.org/10.1017/dce.2022.1

Delfariyadi, F., Helen, A., & Yuliawati, S. (2022). Klasifikasi Sentimen Judul Berita Pemberitaan COVID-19 Tahun 2021 pada Media DetikHealth. Journal Information Engineering and Educational Technology (JIEET), 6(2), 50–57.

Ghimire, D. (2020). Comparative Study on Python Web Frameworks: Flask and Django.

Hardiansyah, N., & Fitrianto, A. (2024). Penggunaan Metode Extreme Programing Pada Perancangan Sistem MyDosen. Jurnal Edik Informatika, 10(2), 67–77. https://doi.org/10.22202/ei.2024.v10i2.7846

Hasan, Moh. A., Riyanto, Y., & Riana, D. (2021). Grape Leaf Image Disease Classification Using CNN-VGG16 Model. Jurnal Teknologi Dan Sistem Komputer, 9(4), 218–223. https://doi.org/10.14710/jtsiskom.2021.14013

Khairani, F., Kurnia, A., Aidi, M. N., & Pramana, S. (2022). Predictions of Indonesia Economic Phenomena Based on Online News Using Random Forest. SinkrOn: Jural Dan Penelitian Teknik Informatika, 6(2), 532–540. https://doi.org/10.33395/sinkron.v7i2.11401

Mirdita, M., Schütze, K., Moriwaki, Y., Heo, L., Ovchinnikov, S., & Steinegger, M. (2022). ColabFold: Making Protein Folding Accessible to All. Nature Methods, 19(6), 679–682. https://doi.org/10.1038/s41592-022-01488-1

Pamungkas, V. A. (2023). Pengembangan Sistem Informasi pada Usaha Mikro Kecil Menengah di Kecamatan Maospati. Seminar Nasional Teknologi Informasi Dan Komunikasi (SENATIK), 6(1), 663–672.

Puspitasari, F. D., & Anardani, S. (2023). Aplikasi Klasifikasi Huruf Hijaiyah Menggunakan Algoritma Convolutional Neural Network dan Random Forest. Seminar Nasional Teknologi Informasi Dan Komunikasi (SENATIK), 6(1), 67–78.

Sa’idah, S., Suparta, I. P. Y. N., & Suhartono, E. (2022). Modifikasi Convolutional Neural Network Arsitektur GoogLeNet dengan Dull Razor Filtering untuk Klasifikasi Kanker Kulit. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 11(2), 148–153.

Sharifani, K., & Amini, M. (2023). Machine Learning and Deep Learning: A Review of Methods and Applications. World Information Technology and Engineering Journal, 10(07), 3897–3904.

Sheykhmousa, M., Mahdianpari, M., Ghanbari, H., Mohammadimanesh, F., Ghamisi, P., & Homayouni, S. (2020). Support Vector Machine Versus Random Forest for Remote Sensing Image Classification: A Meta-Analysis and Systematic Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 6308–6325. https://doi.org/10.1109/JSTARS.2020.3026724

Sholeh, M., Gisfas, I., Cahiman, & Fauzi, M. A. (2021). Black Box Testing on ukmbantul.com Page with Boundary Value Analysis and Equivalence Partitioning Methods. Journal of Physics: Conference Series, 1823(1), 1–8. https://doi.org/10.1088/1742-6596/1823/1/012029

Sulistiyana, F., & Anardani, S. (2023). Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Convolutional Neural Network dan Support Vector Machine. Seminar Nasional Teknologi Informasi Dan Komunikasi (SENATIK), 6(1), 423–432.

Suraya, & Sholeh, M. (2022). Designing and Implementing a Database for Thesis Data Management by Using the Python Flask Framework. International Journal of Engineering, Science & Informational Technology (IJESTY), 2(1), 9–14. https://doi.org/10.52088/ijesty.v1i1.197

Suryandari, K. C. (2023). Olahan Kedelai. Jakarta: Bumi Aksara. https://books.google.co.id/books?id=VfnOEAAAQBAJ

Suryantara, I. G. N. (2017). Merancang Applikasi dengan Metodologi Extreme Programmings. Jakarta: Elex Media Komputindo. https://books.google.co.id/books?id=FDBIDwAAQBAJ


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.