PERBANDINGAN KINERJA MODEL ENSEMBLED TRANSFER LEARNING PADA KLASIFIKASI PENYAKIT DAUN TOMAT

##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##

Muhammad Islahfari Wahid
Program Studi Sistem Informasi, Universitas Hasanuddin, Makassar
Armin Lawi
1) Program Studi Sistem Informasi, Universitas Hasanuddin, Makassar 2) Institut Teknologi B.J. Habibie, Parepare
A. Muh. Amil Siddik
Program Studi Sistem Informasi, Universitas Hasanuddin, Makassar

Abstract

Tomat merupakan salah satu sayuran yang umum dikonsumsi di dunia. Produksi tomat di Indonesia sendiri sangat luar biasa, pada tahun 2021 produksi tomat mencapai 1.035.475 (ton). Dan konsiumsi tomat di Indonesia mencapai 1.053.249 (ton), artinya tomat menjadi salah satu buah yang sangat dibutuhkan di Indonesia. Namun karena kebutuhan yang tinggi seringkali terjadi kenaikan harga yang signifikan pada tomat. Hal ini dikarenakan berbagai jenis penyakit yang menghambat produksi tanaman tomat. Oleh karena itu dibutuhkan sebuah metode yang dapat mengidentifikasi penyakit tanaman tomat dengan hasil yang optimal. Metode yang digunakan adalah Deep Learning dengan menggunakan algoritma Convolutional Neural Network (CNN) beserta arsitektur InceptionV3, Xception dan VGG16. Untuk meningkatkan performa model dapat digunakan metode Ensembled Stacking. Penelitian dilakukan dengan 700 data citra penyakit daun tomat yang terbagi menjadi 7 kelas. Dari tiga arsitektur yang digunakan, model Xception mendapatkan akurasi training sebesar 99% dan akurasi validation sebesar 95%. Untuk model InceptionV3 mendapatkan akurasi training sebesar 99% dan akurasi validation sebesar 91%. Dan untuk model VGG16 mendapatkan akurasi training sebesar 87% dan akurasi validation sebesar 90%. Selanjutnya digunakan metode Ensembled Stacking untuk meningkatkan performa model. Hasil dari metode ini lebih baik dibandingkan tiga model arsitektur sebelumnya dengan mendapatkan akurasi training sebesar 99% dan akurasi validation sebesar 99%.

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

References

  1. Adhikari, P., Oh, Y., & Panthee, D. R. (2017). Current status of early blight resistance in tomato: An update. International Journal of Molecular Sciences, 18(10). doi: 10.3390/ijms18102019.
  2. Sita, B. R., & Hadi, S. (2016). Produktivitas Dan Faktor-Faktor Yang Berpengaruh Terhadap Produksi Usahatani Tomat (Solanum Lycopersicum Mill) Di Kabupaten Jember. JSEP, 9(3).
  3. Astiningrum, M., Arhandi, P. P., & Ariditya, N. A. (2019) Identifikasi Penyakit pada Daun Tomat Berdasarkan Fitur Warna dan Tekstur. Jurusan Teknologi Informasi Politeknik Negeri Malang, pp. 1-4.
  4. Ali, M. M., Bachik, N. A., Muhadi, N. A., & Yusof, T. N. T. (2019). Non-destructive techniques of detecting plant diseases: A review. Physiological and Molecular Plant Pathology. Elsevier Ltd, 108, p. 101426. doi: 10.1016/j.pmpp.2019.101426.
  5. Felix, Faisal, S., Butarbutar, T. F. M., & Sirait, P. (2019). Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun. Jurnal SIFO Mikroskil, 20(2).
  6. Mendes, D. B., & Silva, N. C. (2018). Skin Lesions Classification Using Convolutional Neural Networks in Clinical Images. https://arxiv.org/pdf/1812.02316
  7. Pristyanto, Y., Sidauruk, A., & Nurmasani, A. (2022). Klasifikasi Penyakit Diabetes Pada Imbalanced Class Dataset Menggunakan Algoritme Stacking. Jurnal Media Informatika Budidarma, 6(1).
  8. Setiawan, W. (2019). Perbandingan Arsitektur Convolutional Neural Network Untuk Klasifikasi Fundus. Jurnal SimanteC, 7(2).