Penerapan Metode Convolution Neural Network untuk Klasifikasi Penyakit pada Daun Tembakau
Tahun 2025 · Penulis: Uswatun Awwalul ‘Azmi
Faculty of Mathematics and Natural Sciences, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Tumbuhan tembakau merupakan salah satu komoditas unggulan dalam sektor perkebunan di Indonesia. Beberapa waktu terakhir, hasil panen tembakau di Indonesia turun yang disebabkan oleh beberapa faktor salah satunya adalah serangan penyakit yang mengakibatkan turunnya kualitas daun tembakau. Petani umumnya mengidentifikasi penyakit tanaman berdasarkan gejala yang muncul pada daun tumbuhan tetapi teknik ini kurang efektif jika terjadi kesalahan diagnosis menyebabkan penanganan yang tidak tepat sehingga kondisi tanaman semakin memburuk. Oleh karena itu diperlukan pemanfaatan teknologi untuk meningkatkan keakuratan dalam mengidentifikasi dan mengklasifikasikan penyakit yang menyerang daun tembakau. Penelitian ini menerapkan metode Convolutional Neural Network (CNN) yang dikenal efektif untuk klasifikasi data citra dengan akurasi yang cukup tinggi. Penelitian ini menggunakan 280 data gambar daun tembakau pada setiap kelas, meliputi kelas penyakit bercak daun, keriting daun, lanas, mozaik daun dan kelas daun tembakau yang sehat. Penelitian ini dilakukan dengan augmentasi data, kemudian perancangan arsitektur CNN meliputi 4 convolution layer, dropout layer dan 2 fully connected layer. Pengoptimalan arsitektur dan model dilakukan dengan mengubah parameter arsitektur CNN, serta melakukan hyperparameter pada batch size, learning rate dan jumlah epoch. Penelitian yang dilakukan menghasilkan model terbaik dengan filter size 3 × 3 pada convolution layer keempat, parameter dropout sebesar 0,5 dengan dense layer sebanyak 256. Arsitektur tersebut menggunakan batch size 64, dengan optimizer Adam dan learning rate 0,001 serta epoch sebanyak 55 sehingga menghasilkan model dengan accuracy pelatihan sebesar 93,30% dan accuracy validasi sebesar 92,09% serta akurasi pada pengujian sebesar 92,86%. Model yang dihasilkan dalam penelitian ini dapat mengklasifikasikan seluruh kelas penyakit daun tembakau serta kelas daun tembakau yang sehat. Performa model dapat ditunjukkan melalui evaluasi model dengan nilai parameter berupa precision, recall, dan F1-Score yang cukup baik meskipun terdapat perbedaan nilai karena jumlah TP dan TN dari masing-masing kelas yang berbeda.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,803
Tahun 2025 · Penulis: Izzatul Hasanah
Klasifikasi Biji Kakao Berdasarkan Kelas Penyangraian Menggunakan Metode CNN (Convolutional Neural Network)
Kakao merupakan salah satu komoditas ekspor utama di Indonesia. Salah satu daerah penghasil kakao di Indonesia adalah Kabupaten Jember. Proses penyangraian biji kakao berperan penting dalam menentukan kualitas rasa dan aroma cokelat. Umumnya, untuk menentukan
- Cosine 0,796
Tahun 2024 · Penulis: Adhitya Hari Saputra
Implementasi Metode Support Vector Machine dan Particle Swarm Optimization dalam Klasifikasi Faktor Risiko Terkena Penyakit Kanker Paru-paru
Kanker adalah penyakit mematikan dengan jumlah kematian tertinggi di dunia, disebabkan oleh pertumbuhan sel yang tidak terkendali dan dapat menyebar ke bagian tubuh lainnya. Menurut data GLOBOCAN 2020, terdapat 19,2 juta kasus baru kanker. Salah satu jenis kan
- Cosine 0,785
Tahun 2026 · Penulis: Jastin Theo Hariyono
Analisis Performa Klasifikasi Penyakit Daun Kopi Robusta Menggunakan Mobilenetv3, Shufflenetv2, dan Mobilevit
Penyakit daun kopi seperti Rust dan Red Spider Mite merupakan permasalahan serius dalam budidaya kopi robusta karena dapat menurunkan kualitas dan hasil panen. Identifikasi penyakit secara dini sangat penting agar tindakan pengendalian dapat dilakukan secara t