DOI: https://doi.org/10.14710/jtsiskom.2022.13953

Pemanfaatan Konfigurasi Layer Pada Metode CNN Untuk Peningkatan Kinerja Klasifikasi Penyakit Daun Tomat

1Universitas Lambung Mangkurat, Indonesia

2Program Studi Teknik Informatika, Fakultas Teknik, Universitas Dian Nuswantoro, Indonesia

Received: 14 Oct 2020; Published: 24 Sep 2024.
Open Access Copyright (c) 2024 Jurnal Teknologi dan Sistem Komputer under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Abstract
Tomat adalah salah satu komoditas hortikultura dengan nilai ekonomi yang tinggi, tantang yang dihadapi oleh petani salah satunya dalah kerentanan penyakit tomat terhadap penyakit. Identifikasi secara visual pada daun sulit diuraikan dengan sekali pandang, sehingga menyebabkan asumsi yang tidak akurat tentang penyakit tersebut. Akibatnya, mekanisme pencegahan yang dilakukan petani menjadi tidak efektif dan berdampak merugikan. Penelitian ini mengusulkan identifikasi penyakit tomat secara automatis menggunakan metode Convolution Neural Network. Dalam makalah ini kami melakukan evaluasi pada metode CNN dengan arsitektur Alexnet dengan konfigurasi layer untuk mencari hasil kinerja terbaik dari penggunaan parameter tersebut pada architektur Alexnet. Pada penelitian ini juga melakukan analisis yang diperoleh dari hubungan antara parameter yang digunakan terhadap kinerja akurasi, dan analisis terhadap dampak penggunaan parameter dengan jumlah dataset daun tomat dari dataset PlantVillage.
Fulltext Email colleagues
Keywords: tomat, CNN, alexnet, layer, parameter

Article Metrics:

Article Info
Section: Original Research Articles
Language : ID
Most viewed articles
Pembuatan Sistem Informasi Rental Mobil dengan Menggunakan Java dan Mysql Perancangan Sistem Informasi Akademik Berbasis Mobile Web Studi Kasus di Program Studi Sistem Komputer Universitas Diponegoro Teka-teki Unsur Kimia sebagai Media Pembelajaran Kimia Interaktif bagi siswa SMA Kelas X Berbasis Android Pemanfaatan Augmented Reality untuk Pembelajaran Pengenalan Alat Musik Piano Data Mining using Apriori Algorithm for Product Recommendation for Customers More articles
Most cited articles
Intelligent Robot for Measuring Consumer Satisfaction at Shopping Center Identification of Herbal Medicinal Plants Based on Leaf Image Using Gray Level Co-occurence Matrix and K-Nearest Neighbor Algorithms Mamdani fuzzy inference system for mapping water quality level of biofloc ponds in catfish cultivation Sistem Pengendali Peralatan Elektronik dalam Rumah secara Otomatis Menggunakan Sensor PIR, Sensor LM35, dan Sensor LDR Rancang Bangun Sistem Informasi Kampus Hijau Berbasis Web Pada JSN (Jaringan Sensor Nirkabel) More cited articles
  1. E. C. Miller, C. W. Hadley, S. J. Schwartz, J. W. Erdman, T. W. M. Boileau, and S. K. Clinton, “Lycopene, tomato products, and prostate cancer prevention. Have we established causality?,” Pure Appl. Chem., vol. 74, no. 8, pp. 1435–1441, 2002, doi: 10.1351/pac200274081435
  2. M. J. Stout, H. Kurabchew, and G. L. D. Leite, Host-Plant Resistance in Tomato. Elsevier Inc., 2018
  3. E. A. Curl, “Control Of Plant Diseases By Crop Rotation,” Bot. Rev., vol. 29, no. 4, 1963, doi: sci-hub.tw/10.2307/4353677
  4. P. Tm, A. Pranathi, K. Sai Ashritha, N. B. Chittaragi, and S. G. Koolagudi, “Tomato Leaf Disease Detection Using Convolutional Neural Networks,” in 2018 Eleventh International Conference on Contemporary Computing (IC3), Aug. 2018, pp. 1–5, doi: 10.1109/IC3.2018.8530532
  5. R. A. Pramunendar, S. Wibirama, P. I. Santosa, P. N. Andono, and M. A. Soeleman, “A Robust Image Enhancement Techniques for Underwater Fish Classification in Marine Environment,” Int. J. Intell. Eng. Syst., vol. 12, no. 5, pp. 116–239, 2019, doi: 10.22266/ijies2019.1031.12
  6. N. A. Rose and E. C. M. Parsons, “‘Back off, man, I’m a scientist!’ When marine conservation science meets policy,” Ocean Coast. Manag., vol. 115, pp. 71–76, 2015, doi: 10.1016/j.ocecoaman.2015.04.016
  7. Y. Sari, P. B. Prakoso, and A. R. Baskara, “Application of neural network method for road crack detection,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 18, no. 4, pp. 1962–1967, 2020, doi: 10.12928/TELKOMNIKA.V18I4.14825
  8. E. E. Lavindi, E. J. Kusuma, G. F. Shidik, R. A. Pramunendar, A. Z. Fanani, and Pujiono, “Neural Network based on GLCM, and CIE L*a*b* Color Space to Classify Tomatoes Maturity,” in 2019 International Seminar on Application for Technology of Information and Communication (iSemantic), 2019, pp. 1–6, doi: 10.1109/ISEMANTIC.2019.8884307
  9. H. Durmus, E. O. Gunes, and M. Kirci, “Disease detection on the leaves of the tomato plants by using deep learning,” in 2017 6th International Conference on Agro-Geoinformatics, Aug. 2017, pp. 1–5, doi: 10.1109/Agro-Geoinformatics.2017.8047016
  10. A. K. Rangarajan, R. Purushothaman, and A. Ramesh, “Tomato crop disease classification using pre-trained deep learning algorithm,” Procedia Comput. Sci., vol. 133, pp. 1040–1047, 2018, doi: 10.1016/j.procs.2018.07.070
  11. M. Sardogan, A. Tuncer, and Y. Ozen, “Plant Leaf Disease Detection and Classification Based on CNN with LVQ Algorithm,” UBMK 2018 - 3rd Int. Conf. Comput. Sci. Eng., pp. 382–385, 2018, doi: 10.1109/UBMK.2018.8566635
  12. E. Suryawati, R. Sustika, R. S. Yuwana, A. Subekti, and H. F. Pardede, “Deep structured convolutional neural network for tomato diseases detection,” 2018 Int. Conf. Adv. Comput. Sci. Inf. Syst. ICACSIS 2018, pp. 385–390, 2019, doi: 10.1109/ICACSIS.2018.8618169
  13. S. P. Mohanty, D. P. Hughes, and M. Salathé, “Using deep learning for image-based plant disease detection,” Front. Plant Sci., vol. 7, no. September, pp. 1–10, 2016, doi: 10.3389/fpls.2016.01419
  14. Y. LeCun, F. J. Huang, and L. Bottou, “Learning Methods for Generic Object Recognition with Invariance to Pose and Lighting,” Proc. 2004 IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2, pp. II-97–104, 2004, doi: 10.1109/CVPR.2004.1315150

Last update:

No citation recorded.

Last update: 2024-11-21 22:51:05

No citation recorded.