KLASIFIKASI PENYAKIT CITRA DAUN TANAMAN TOMAT DENGAN ENSEMBLE CONVOLUTIONAL NEURAL NETWORK

##plugins.themes.academic_pro.article.sidebar##

Published Feb 16, 2023
Download
PDF
Statistic
Vol. 8 No. 1 (2022): Seminar Nasional Teknik Elekto dan Informatika - September 2022

##plugins.themes.academic_pro.article.main##

Armin Lawi
Institut Teknologi Bacharuddin Jusuf Habibie
Naili Suri Intizhami
Institut Teknologi Bacharuddin Jusuf Habibie
http://orcid.org/0000-0002-4011-5684
Rio Mukhtarom
Universitas Hasanuddin
Supri Amir
Universitas Hasanuddin

Abstract

Tomat merupakan tanaman yang dapat tumbuh di hampir semua tanah yang gembur. Petani maupun tukang kebun sering menanam tomat baik untuk mereka konsumsi sendiri ataupun untuk dijual.  Namun petani dan tukang kebun terkadang tidak bisa mendapatkan informasi yang tepat tentang pertumbuhan tanaman tomat sehingga muncul masalah seperti tomat yang busuk, tidak berbuah, muncul bercak coklat dan hitam, dan masih banyak lagi. Salah satu cara untuk mengatasi hal tersebut dengan melakukan klasifikasi penyakit pada daun tomat. Daun tomat menjadi salah satu faktor yang digunakan untuk melihat apakah tanaman tomat itu baik atau tidak.  Penelitian ini akan menggunakan data gambar daun tomat yang sakit dan metode CNN sebagai metode klasifikasi citra. Penelitian ini akan berfokus pada metode ensemble CNN untuk mendapatkan hasil klasifikasi daun tomat sakit yang lebih baik daripada satu model CNN saja. Untuk perbandingannya, penelitian ini menggunakan 6 model CNN. Hasilnya, Ensemble CNN mendapatkan nilai akurasi sekitar 90.83% dengan rata-rata nilai precision dan recall diatas 0.8 hingga 1.0. Hasil keseluruhannya menunjukkan bahwa metode ensemble CNN secara umum lebih baik daripada satu model CNN saja.

##plugins.themes.academic_pro.article.details##

References

  1. Belén Picó, María José Díez, and Fernando Nuez, “Viral diseases causing the greatest economic losses to the tomato crop. ii. the tomato yellow leaf curl virus a review,†Sci. Hortic., vol. 67, no. 3–4, pp. 151–196, 1996.
  2. Jesús Navas-Castillo, Sonia Sánchez-Campos, Juan Antonio Díaz, Elisa Sáez-Alonso, and Enrique Moriones, “Tomato yellow leaf curl virus is causes a novel disease of common bean and severe epidemics in tomato in spain,†Plant Dis., vol. 83, pp. 29–32, 1999.
  3. Enrique Moriones and Jesús Navas-Castillo, “Tomato yellow leaf curl virus, an emerging virus complex causing epidemics worldwide,†Virus Res., vol. 71, pp. 123–134, 2000.
  4. Mohit Agarwal, Abhishek Singh, Siddhartha Arjaria, Amit Sinha, and Suneet Gupta, “ToLeD: Tomato Leaf Disease Detection using Convolution Neural Network,†Procedia Comput. Sci., vol. 167, pp. 293–301, 2020.
  5. Nemanja Milosevic, Introduction to Convolutional Neural Networks: With Image Classification Using PyTorch. Apress, 2020.
  6. Ali Yazdizadeh, Zachary Patterson, and Bilal Farooq, “Ensemble Convolutional Neural Networks for Mode Inference in Smartphone Travel Survey,†IEEE Trans. Intell. Transp. Syst., vol. 21, no. 6, pp. 2232–2239, 2020.
  7. Vijai Singh and A.K. Misra, “Detection of Plant Leaf Disease using Image Segmentation and Soft Computing Techniques,†Inf. Process. Agroculture, vol. 4, pp. 41–49, 2017.
  8. Hülya Yalçın and Salar Razavi, “Plant classification using convolutional neural networks,†presented at the International Conference on Agro-geoinformatics (Agro-geoinformatics), Tianjin, 2016.
  9. Sagar Vetal and Rupali Khule, “Tomato Plant Disease Detection using Image Processing,†Int. J. Adv. Res. Comput. Commun. Eng., vol. 6, no. 6, pp. 293–297, 2017.
  10. Aravind Krishnaswamy Rangarajan, Raja Purushothaman, and Aniirudh Ramesh, “Tomato crop disease classification using pre-trained deep learning algorithm,†presented at the International Conference on Robotics and Smart Manufacturing, Calgary, 2018.
  11. Wei Chen, Qiang Sun, Jue Wang, Jing-Jing Dong, and Chen Xu, “A Novel AdaBoost and CNN Base for Vehicle Classification,†IEEE Access, vol. 6, pp. 60445–60455, 2018.
  12. Shuo Yang, Li-Fang Chen, Tao Yan, Yun-Hao Zhao, and Ye-Jia Fan, “An Ensemble Classification Algoritm for Convolutional Neural Network based in AdaBoost,†presented at the International Conference on Computer and Information Science, Wuhan, 2017.