KLASIFIKASI PENYAKIT TANAMAN DAUN PADI MENGGUNAKAN METODE DEEP LEARNING DENGAN TEKNIK TRANSFER LEARNING MOBILENET
DOI:
https://doi.org/10.36595/jire.v8i2.1737Keywords:
Penyakit daun padi, klasifikasi citra, deep learning, transfer learning, MobileNetAbstract
Pertanian padi memiliki peran penting dalam ketahanan pangan, namun produksi sering terganggu akibat penyakit daun seperti Blast, Brown spot, dan Hispa. Klasifikasi manual kurang efektif karena membutuhkan waktu dan keahlian khusus. Penelitian ini mengusulkan klasifikasi otomatis menggunakan transfer learning dengan arsitektur MobileNetV1 dan MobileNetV2. Kontribusi orisinal dari penelitian ini berupa validasi performa dan optimasi spesifik pada arsitektur MobileNet untuk kasus penyakit daun padi, termasuk analisis komparatif pada konfigurasi Dense layer dan rasio data training. Dataset terdiri dari 2000 citra empat kelas yang dibagi menjadi data train, test, dan validation untuk mencegah overfitting. Model dilatih menggunakan konfigurasi Dense layer 32, 64, dan 256 dengan rasio data 7:2:1 dan 8:1:1. Model terbaik diperoleh dari MobileNetV2 dengan 64 neuron dan rasio 8:1:1, menghasilkan akurasi 93,50%. Hasil ini menunjukkan bahwa MobileNetV2 dapat menjadi metode yang efisien dan akurat untuk klasifikasi penyakit daun padi serta mendukung pengambilan keputusan petani secara lebih cepat.
Downloads
References
[1] A. A. Wahditiya et al., Teknologi Produksi Tanaman Pangan, 1st ed. Gadut: Yayasan Tri Edukasi Ilmiah, 2024.
[2] B. Putra Aryadi and N. Hendrastuty, “PENERAPAN ALGORITMA K-MEANS UNTUK MELAKUKAN KLASTERISASI PADA VARIETAS PADI,” Jurnal Informatika & Rekayasa Elektronika), vol. 7, no. 1, 2024, [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jireISSN.2620-6900
[3] S. Rudjua, I. Bempah, and Y. Saleh, “Mitigasi Perubahan Iklim Terhadap Usahatani Padi Sawah Desa Molombulahe Kecamatan Paguyaman Kabupaten Boalemo,” Economics and Digital Business Review, vol. 5, no. 2, pp. 525–536, Mar. 2024, doi: 10.37531/ecotal.v5i2.956.
[4] A. R. Salasa, “Paradigma dan dimensi strategi ketahanan pangan Indonesia,” Jejaring Administrasi Publik, vol. 13, no. 1, pp. 35–48, 2021.
[5] B. E. Cahyono, R. Rahagian, and A. T. Nugroho, “Analisis Produktivitas Padi berdasarkan Indeks Kekeringan (NDWI dan NDDI) Lahan Sawah menggunakan Data Citra Sentinel-2A di Kecamatan Ambulu,” Indonesian Journal Of Applied Physics, vol. 13, no. 1, pp. 88–98, 2023.
[6] M. I. N. Syahputra, “Pengelolaan Diagnosis Penyakit Tanaman Padi Menggunakan Metode Teorema Bayes (Studi Kasus?: Kec. Sukowono),” JIKO (Jurnal Informatika dan Komputer), vol. 8, no. 2, p. 393, Sep. 2024, doi: 10.26798/jiko.v8i2.1315.
[7] F. Sulistiyana and S. Anardani, “Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Metode CNN dan SVM,” in Prosiding Seminar Nasional Teknologi Informasi dan Komunikasi (SENATIK), 2024, pp. 423–432.
[8] Y. Ginting, K. Hantoro, and A. Y. P. Yusuf, “Deteksi Jenis Sampah Plastik Berbasis Mobile Menggunakan Model Transfer Learning,” Jurnal Ilmiah Teknik Informatika (TEKINFO), vol. 25, no. 2, pp. 110–119, 2024.
[9] R. Rikendry and A. Maharil, “Perbandingan Arsitektur Vgg16 Dan Resnet50 Untuk Rekognisi Tulisan Tangan Aksara Lampung,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 3, no. 2, pp. 236–243, 2022.
[10] D. Carlos, D. Erny Herwindiati, and C. Lubis, “Implementasi Algoritma Convolutional Neural Networks Untuk Klasifikasi Jenis Cat Tembok Menggunakan Arsitektur MobileNet,” Technology and Science (BITS), vol. 6, no. 1, 2024, doi: 10.47065/bits.v6i1.5322.
[11] A. Ridhovan and A. Suharso, “Penerapan Metode Residual Network (RESNET) Dalam Klasifikasi Penyakit Pada Daun Gandum,” JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), vol. 7, no. 1, pp. 58–65, 2022.
[12] A. Fuadi and A. Suharso, “Perbandingan Arsitektur MobileNet Dan NasNetMobile Untuk Klasifikasi Penyakit Pada Citra Daun Kentang,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 7, no. 3, pp. 701–710, Aug. 2022, doi: 10.29100/jipi.v7i3.3026.
[13] F. R. Anugrah, F. Bimantoro, and I. G. P. S. Wijaya, “Klasifikasi Ikan Cakalang Dan Ikan Tongkol Menggunakan Xception Dan Mobilenet,” Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA), vol. 7, no. 1, pp. 13–24, 2025.
[14] I. Muraina, “Ideal dataset splitting ratios in machine learning algorithms: general concerns for data scientists and data analysts,” in 7th international Mardin Artuklu scientific research conference, 2022, pp. 496–504.
[15] Didi Kurniawan and Dhani Ariatmanto, “Identifikasi Varietas Bibit Durian Menggunakan MobileNetV2 Berdasarkan Gambar Daun,” Jurnal Informatika dan Rekayasa Elektronik, vol. 7, no. 2, pp. 231–240, Nov. 2024, doi: 10.36595/jire.v7i2.1236.
[16] M. F. Naufal and S. F. Kusuma, “Pendeteksi citra masker wajah menggunakan CNN dan transfer learning,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 8, no. 6, pp. 1293–1300, 2021.
[17] W. Astriningsih, “Identifikasi Multi Aspek Dan Sentimen Analisis Pada Review Hotel Menggunakan Deep Learning,” Universitas Islam Indonesia, 2023.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
