Pendiagnosa Daun Mangga Dengan Model Convolutional Neural Network

Tsabitah Ayu; Vizza Dwi; Agus Eko Minarno

doi:10.24114/cess.v6i2.22857

Authors

Tsabitah Ayu Universitas Muhammadiyah Malang
Vizza Dwi Universitas Muhammadiyah Malang
Agus Eko Minarno Universitas Muhammadiyah Malang

DOI:

https://doi.org/10.24114/cess.v6i2.22857

Keywords:

CNN, Penyakit Daun Mangga, Klasifikasi.

Abstract

Pertanian adalah salah satu sektor ekonomi yang terpenting di negara-negara Asia Tenggara. Saat ini, pembangunan ekonomi sangat bergantung pada pertanian. Seperti contoh Mangga, Manga juga merupakan bahan makanan yang dapat diolah menjadi berbagai jenis makanan yang lezat. Karena banyaknya manfaat pada buah ini tak jarang masyarakat ingin menanam pohon mangga untuk dibudidayakan dengan tujuan komersil maupun pribadi. Salah satu masalah utama yang menurunkan kualitas dan kuantitas manufaktur pertanian adalah penyakit tanaman. Oleh karena itu bidang penelitian pertanian menarik para peneliti dan ilmuwan untuk memberikan teknik untuk mengidentifikasi penyakit tanaman dengan menggunakan pengolahan gambar dan visi komputer seperti dalam kertas ini yang menggunaka model Convolutional Neural Network (CNN) untuk mengklasifikasi jenis daun mangga yang sakit (terserang hama) dan sehat berdasarkan bentuk dan tekstur daun. Pada penelitian yang dihasilkan tingkat akurasi sebesar 0,96.

References

K. Trang, L. Tonthat, N. Gia Minh Thao, and N. Tran Ta Thi, œMango Diseases Identification by a Deep Residual Network with Contrast Enhancement and Transfer Learning, 2019 IEEE Conf. Sustain. Util. Dev. Eng. Technol. CSUDET 2019, pp. 138“142, 2019, doi: 10.1109/CSUDET47057.2019.9214620.

Mekarsari, œMangga, mekarsari.com. https://mekarsari.com/web/agro/mangga/ (accessed Dec. 04, 2020).

Z. Iqbal, M. A. Khan, M. Sharif, J. H. Shah, M. H. ur Rehman, and K. Javed, œAn automated detection and classification of citrus plant diseases using image processing techniques: A review, Comput. Electron. Agric., vol. 153, no. September 2017, pp. 12“32, 2018, doi: 10.1016/j.compag.2018.07.032.

Y. Zhang, Q. Hua, D. Xu, H. Li, Y. Bu, and P. Zhao, œA Complex-Valued CNN for Different Activation Functions in Polarsar Image Classification, Int. Geosci. Remote Sens. Symp., pp. 10023“10026, 2019, doi: 10.1109/IGARSS.2019.8898534.

S. Islam and N. Jahan, œA Computer Vision Approach to Classify Local Flower using Convolutional Neural Network, no. May, 2020, doi: 10.1109/ICICCS48265.2020.9121143.

A. Y. Wicaksono, N. Suciati, C. Fatichah, K. Uchimura, and G. Koutaki, œModified Convolutional Neural Network Architecture for Batik Motif Image Classification, IPTEK J. Sci., vol. 2, no. 2, pp. 26“30, 2017, doi: 10.12962/j23378530.v2i2.a2846.

A. S. M. F. Al Haque, M. R. Rahman, A. Al Marouf, and M. A. A. Khan, œA Computer Vision System for Bangladeshi Local Mango Breed Detection using Convolutional Neural Network (CNN) Models, 2019 4th Int. Conf. Electr. Inf. Commun. Technol. EICT 2019, no. December, pp. 1“6, 2019, doi: 10.1109/EICT48899.2019.9068830.

S. Lu, Z. Lu, S. Aok, and L. Graham, œFruit Classification Based on Six Layer Convolutional Neural Network, Int. Conf. Digit. Signal Process. DSP, vol. 2018-Novem, pp. 1“5, 2019, doi: 10.1109/ICDSP.2018.8631562.

M. Sardogan, A. Tuncer, and Y. Ozen, œPlant 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.

C. K. Dewa, A. L. Fadhilah, and A. Afiahayati, œConvolutional Neural Networks for Handwritten Javanese Character Recognition, IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 12, no. 1, p. 83, 2018, doi: 10.22146/ijccs.31144.

D. Ciregan, U. Meier, and J. Schmidhuber, œMulti-column deep neural networks for image classification, Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 3642“3649, 2012, doi: 10.1109/CVPR.2012.6248110.

C. K. Dewa and Afiahayati, œSuitable CNN Weight Initialization and Activation Function for Javanese Vowels Classification, Procedia Comput. Sci., vol. 144, pp. 124“132, 2018, doi: 10.1016/j.procs.2018.10.512.

Missinglink.ai, œ7 Types of Neural Network Activation Functions: How to Choose?, Missinglink.ai. https://missinglink.ai/guides/neural-network-concepts/7-types-neural-network-activation-functions-right/.

A. S. Sri Widaningsih, œKlasifikasi Jurnal Ilmu Komputer Berdasarkan Pembagian, Semin. Nas. Teknol. Inf. dan Komun. 2018 (SENTIKA 2018), vol. 2018, no. Sentika, pp. 320“328, 2018.

S. Ahmed Medjahed, œA Comparative Study of Feature Extraction Methods in Images Classification, Int. J. Image, Graph. Signal Process., vol. 7, no. 3, pp. 16“23, 2015, doi: 10.5815/ijigsp.2015.03.03.