Deteksi Penyakit Daun Kapas Dengan Deep Learning Berbasis Convolutional Neural Network (CNN)

Bajra Bhagawanta; Cahyono Budy Santoso

doi:10.36080/idealis.v8i2.3517

Authors

Bajra Bhagawanta Program Studi Sistem Informasi, Fakultas Teknik dan Desain, Universitas Pembangunan Jaya, Tangerang Selatan, Indonesia
Cahyono Budy Santoso Program Studi Sistem Informasi, Fakultas Teknik dan Desain, Universitas Pembangunan Jaya, Tangerang Selatan, Indonesia

DOI:

https://doi.org/10.36080/idealis.v8i2.3517

Keywords:

Convolutional Neural Network (CNN), Deteksi Penyakit, Daun Kapas, Deep Learning, Klasifikasi Citra

Abstract

Penelitian ini mengembangkan model kecerdasan buatan dengan algoritma Convolutional Neural Network (CNN) untuk mendeteksi penyakit pada daun kapas secara akurat dan otomatis. Metode konvensional seperti observasi visual seringkali tidak efektif dalam mengidentifikasi penyakit tanaman. Dengan menggunakan pendekatan deep learning, khususnya CNN, penyakit seperti Fusarium Wilt dan Bacterial Blight dapat diidentifikasi secara otomatis dan akurat melalui analisis citra daun kapas. Teknologi ini memungkinkan tindakan pencegahan lebih cepat untuk meminimalisir kerugian serta mendukung pengambilan keputusan berbasis data. Penelitian ini dilakukan melalui tahapan: pengumpulan data gambar daun kapas, preprocessing, modelling, analisis, dan evaluasi model menggunakan confusion matrix dan kurva ROC. Dengan dataset berisi 4.778 gambar dari enam kelas kondisi daun, model mencapai akurasi pelatihan 97% dan validasi 90% setelah 20 epoch, serta hasil evaluasi menunjukkan kinerja klasifikasi yang sangat baik dengan nilai precision, recall, f1-score yang tinggi, dengan nilai Area Under Curve (AUC) mendekati 1. Model ini mampu mendeteksi penyakit berdasarkan fitur visual dan memberikan hasil klasifikasi real-time, membuktikan bahwa CNN efektif dalam membantu identifikasi dini penyakit tanaman kapas.

Downloads

Download data is not yet available.

References

[1] V. Fauziah, U. Setyoko, A. Salim, and A. Madjid, “Karakteristik Agronomi Tanaman Kapas (Gossypium sp.) dan Pengaruhnya terhadap Produksi Kapas Menggunakan Analisis Lintas,” Jurnal Agro Industri Perkebunan, vol.11, no.1, pp. 53–62, 2023, doi: 10.25181/jaip.v11i1.2677.

[2] N. R. Yuniandini, N. Imaningsih, and R. S. Wijaya, “Analisis Faktor–Faktor yang Mempengaruhi Impor Kapas di Indonesia,” Jurnal Syntax Admiration, vol. 5, no. 6, pp. 1979–1994, Jun. 2024, doi: 10.46799/jsa.v5i6.1188.

[3] N. M. Awandi, B. Nugroho, and F. A. Akbar, “Klasifikasi Hama Dan Penyakit Daun Kapas Berdasarkan Fitur Tekstur Dan Warna Menggunakan Multilayer Perceptron,” Edu Komputika Journal, vol. 10, no. 2, pp. 72–80, Dec. 2023, doi: 10.15294/edukomputika.v10i2.68580.

[4] M. R. Efrian and U. Latifa, “Image Recognition Berbasis Convolutional Neural Network (CNN) Untuk Mendeteksi Penyakit Kulit Pada Manusia,” Power Elektronik : Jurnal Orang Elektro, vol. 11, no. 2, p. 276, Jul. 2022, doi: 10.30591/polektro.v12i1.3874.

[5] E. Altiarika and W. P. Sari, “Pengembangan Deteksi Realtime untuk Bahasa Isyarat Indonesia dengan Menggunakan Metode Deep Learning Long Short-Term Memory dan Convolutional Neural Network,” Jurnal Teknologi Informatika dan Komputer, vol. 9, no. 1, pp. 1–13, Mar. 2023, doi: 10.37012/jtik.v9i1.1272.

[6] G. W. Intyanto, “Klasifikasi Citra Bunga dengan Menggunakan Deep Learning: CNN (Convolution Neural Network),” Jurnal Arus Elektro Indonesia, vol. 7, no. 3, p. 80, Dec. 2021, doi: 10.19184/jaei.v7i3.28141.

[7] S. Tripathy, “Detection of Cotton Leaf Disease Using Image Processing Techniques,” J Phys Conf Ser, vol. 2062, no. 1, p. 012009, Nov. 2021, doi: 10.1088/1742-6596/2062/1/012009.

[8] S. K. Wildah, A. Latif, and S. Suharyanto, “Deteksi Infeksi pada Daun Kapas menggunakan Kombinasi Metode Ekstraksi Fitur Warna dan Tekstur,” Indonesian Journal on Software Engineering (IJSE), vol. 9, no. 1, pp. 72–79, Jul. 2023, doi: 10.31294/ijse.v9i1.16950.

[9] S. J. Russel and P. Norvig, Articifial Intelligence: A Modern Approach, 4th ed., vol. 4. Pearson Education, 2021.

[10] D. Iswantoro and D. Handayani UN, “Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN),” Jurnal Ilmiah Universitas Batanghari Jambi, vol. 22, no. 2, p. 900, Jul. 2022, doi: 10.33087/jiubj.v22i2.2065.

[11] A. J. Rozaqi, A. Sunyoto, and M. rudyanto Arief, “Deteksi Penyakit Pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network,” Creative Information Technology Journal, vol. 8, no. 1, p. 22, Mar. 2021, doi: 10.24076/citec.2021v8i1.263.

[12] K. Akmal, A. Faqih, and F. Dikananda, “Perbandingan Metode Algoritma Naïve Bayes Dan K-Nearest Neighbors untuk Klasifikasi Penyakit Stroke,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 1, pp. 470–477, Mar. 2023, doi: 10.36040/jati.v7i1.6367.

[13] E. P. Cynthia et al., “Convolutional Neural Network and Deep Learning Approach for Image Detection and Identification,” J Phys Conf Ser, vol. 2394, no. 1, p. 012019, Dec. 2022, doi: 10.1088/1742-6596/2394/1/012019.

[14] A. C. Mawarni, R. Rusdah, L. L. Hin, and D. Anubhakti, “Deteksi Dini Gejala Awal Penyakit Diabetes Menggunakan Algoritma Random Forest,” IDEALIS : InDonEsiA journaL Information System, vol. 6, no. 2, pp. 165–171, Jul. 2023, doi: 10.36080/idealis.v6i2.3018.

[15] L. Gaur, U. Bhatia, N. Z. Jhanjhi, G. Muhammad, and M. Masud, “Medical image-based detection of COVID-19 using Deep Convolution Neural Networks,” Multimed Syst, vol. 29, no. 3, pp. 1729–1738, Jun. 2023, doi: 10.1007/s00530-021-00794-6.

[16] Y. Amelia, “Perbandingan Metode Machine Learning Untuk Mendeteksi Penyakit Jantung,” IDEALIS : InDonEsiA journaL Information System, vol. 6, no. 2, pp. 220–225, Jul. 2023, doi: 10.36080/idealis.v6i2.3043.

[17] X. Zhao, L. Wang, Y. Zhang, X. Han, M. Deveci, and M. Parmar, “A review of convolutional neural networks in computer vision,” Artif Intell Rev, vol. 57, no. 4, p. 99, Mar. 2024, doi: 10.1007/s10462-024-10721-6.