IMPLEMENTASI TRANSFER LEARNING UNTUK KLASIFIKASI PENYAKIT PADA DAUN CABAI MENGGUNAKAN CNN

Djtechno : Jurnal Teknologi Informasi Vol. 5, No. 2, Agustus 2024 E-ISSN: 2745-3758, P-ISSN : 2776-8546 DOI: 10.46576/djtechno IMPLEMENTASI TRANSFER LEARNING UNTUK KLASIFIKASI PENYAKIT PADA DAUN CABAI MENGGUNAKAN CNN Rahmat Arief Setyadi 1, Sayuti Rahman 2, Dionixon Manurung 3, Maridiatul Hasanah 4 1,2,3,4) Prodi atau Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area, Indonesia Article Info Article history: Received: 09 Juli 2024 Revised: 15 Juli 2024 Accepted: 06 Agustus 2024 ABSTRACT Abstrak Penelitian ini bertujuan untuk mengklasifikasikan penyakit pada daun cabai merah menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning, khususnya arsitektur ResNet101. Indonesia, sebagai negara agraris, memiliki banyak petani yang mengandalkan tanaman cabai merah sebagai salah satu komoditas utama. Namun, penyakit daun cabai sering kali menurunkan kualitas dan kuantitas hasil panen. Dalam upaya meningkatkan deteksi dini penyakit, penelitian ini memanfaatkan teknologi deep learning untuk menganalisis citra daun cabai. Dataset yang digunakan terdiri dari citra penyakit daun cabai merah yang telah diaugmentasi, dengan total 2128 gambar yang dibagi menjadi data training sebanyak 1702 citra dan data validasi sebanyak 426 citra. Penelitian ini membandingkan kinerja berbagai arsitektur CNN, termasuk AlexNet, GoogleNet, VGGNet16, dan ResNet50, serta lapisan-lapisan pada arsitektur ResNet. Hasil penelitian menunjukkan bahwa augmentasi dataset meningkatkan akurasi validasi dari 89.72% menjadi 97.18%. ResNet101 mencapai akurasi validasi tertinggi sebesar 98.12%, menunjukkan efektivitas transfer learning dalam tugas klasifikasi penyakit daun cabai. Penelitian ini menunjukkan bahwa penggunaan metode CNN dengan transfer learning, khususnya arsitektur ResNet101, sangat efektif untuk mendeteksi dan mengklasifikasikan penyakit pada daun cabai merah. Peningkatan kinerja model melalui augmentasi dataset dan pemilihan arsitektur yang tepat dapat membantu meningkatkan kualitas dan kuantitas hasil panen, serta mendukung pertanian cerdas di Indonesia. Kata Kunci: CNN, Transfer Learning, Sistem Pertanian Cerdas, Visi Komputer. Abstract This study aims to classify diseases on chili pepper leaves using the Convolutional Neural Network (CNN) method with a transfer learning approach, specifically the ResNet101 architecture. Indonesia, as an agrarian country, has many farmers relying on chili peppers as one of their main commodities. However, leaf diseases often reduce the quality and quantity of the harvest. In an effort to improve early disease detection, this research leverages deep learning technology to analyze images of chili leaves. The dataset used consists of augmented images of chili leaf diseases, totaling 2128 images, divided into 1702 training images and 426 validation images. This study compares the performance of various CNN architectures, including AlexNet, GoogleNet, VGGNet16, and ResNet50, as well as layers within the ResNet architecture. The results show that dataset augmentation increases validation accuracy from 89.72% to 97.18%. ResNet101 achieved the highest validation accuracy of 98.12%, demonstrating the effectiveness of transfer learning in the task of chili leaf disease Classification. This research demonstrates that using the CNN method with transfer learning, particularly the ResNet101 architecture, is highly effective for detecting and classifying diseases on chili pepper leaves. Improving model performance through dataset augmentation and the appropriate selection of architecture can help enhance the quality and quantity of © 2024 Segala bentuk plagiarisme dan penyalahgunaan hak kekayaan intelektual akibat diterbitkannya jurnal teknologi informasi ini sepenuhnya menjadi tanggung jawab penulis. 307 e-Issn: 2745-375 p-Issn: 2776-8546 Djtechno : Jurnal Teknologi Informasi Vol. 5, No. 2, Agustus 2024 the harvest, supporting smart agriculture in Indonesia. Keywords: CNN, Transfer Learning, Smart Agriculture Systems, Computer Vision. Djtechno: Jurnal Teknologi Informasi oleh Universitas Dharmawangsa Artikel ini bersifat open access yang didistribusikan di bawah syarat dan ketentuan dengan Lisensi Internasional Creative Commons Attribution NonCommerciaL ShareAlike 4.0 (CC-BY-NC-SA). Corresponding Author: E-mail : 1. PENDAHULUAN Indonesia dikenal sebagai negara agraris dengan mayoritas penduduknya bekerja di sektor pertanian. Keadaan ini didukung oleh keberadaan lahan kosong yang luas dan kondisi tanah yang subur, ideal untuk pertumbuhan berbagai tanaman. Salah satu tanaman hortikultura yang memiliki permintaan tinggi dari berbagai kalangan adalah cabai merah (Ilham et al., 2023). Cabai merah (Capsicum annuum L.) merupakan salah satu sayuran penting di Indonesia, baik sebagai komoditas domestik maupun ekspor. Cabai merah umumnya digunakan sebagai bahan bumbu masakan dan bahan bumbu pedas. Tanaman cabai ini dapat tumbuh dalam berbagai kondisi, tetapi sering kali diserang oleh berbagai jenis penyakit yang dapat menurunkan kualitas dan kuantitas hasil panen. Penyakit yang sering menyerang tanaman cabai, terutama yang menyerang daun, disebabkan oleh faktor hama dan lingkungan yang dapat merusak kesehatan daun cabai (Astuti et al., 2021). Penyakit pada tanaman sangat mempengaruhi hasil panen. Jika tidak segera ditangani, penyakit ini dapat merusak tanaman, menyebabkan gagal panen, dan berdampak negatif pada perekonomian petani (Pirngadi et al., 2023). Dalam penelitian ini, jenis daun cabai yang diteliti meliputi embun tepung, daun sehat, kompleks murda (tungau, thrips), bercak daun (Cercospora), dan kurang nutrisi. Tujuannya adalah untuk mengklasifikasikan penyakit pada daun cabai dengan visi komputer (S Rahman et al., 2020) yaitu menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet50, yang memiliki kemampuan mengolah informasi citra secara otomatis dan akurat. © 2024 Segala bentuk plagiarisme dan penyalahgunaan hak kekayaan intelektual akibat diterbitkannya jurnal teknologi informasi ini sepenuhnya menjadi tanggung jawab penulis. 308 e-Issn: 2745-375 p-Issn: 2776-8546 Djtechno : Jurnal Teknologi Informasi Vol. 5, No. 2, Agustus 2024 Perkembangan teknologi saat ini memungkinkan pemantauan tanaman secara otomatis menggunakan sistem komputer. Pemrosesan gambar memungkinkan komputer menganalisis dan mengidentifikasi penyakit yang direkam oleh kamera. Metode deep learning, khususnya CNN, telah terbukti efektif dalam mendeteksi penyakit tanaman secara otomatis dan akurat (Dzaky & Al Maki, 2021). Deep learning telah menjadi bagian penting dari pengembangan machine learning, dengan aplikasi yang mencakup prediksi peluang, pengenalan objek, dan diagnosis penyakit menggunakan sistem pemrosesan citra. CNN adalah salah satu algoritma deep learning yang dirancang untuk mengolah data dua dimensi seperti gambar(Karno et al., 2022). CNN memiliki kemampuan untuk menerima input berupa citra dan mempelajari (...truncated)