MODIFIKASI ARSITEKTUR DENSENET121 DENGAN TRANSFER LEARNING UNTUK DETEKSI PENYAKIT TANAMAN JAGUNG BERDASARKAN CITRA DAUN

• NADIYAH HIDAYATI
• 14002368

---

ABSTRAK

Penyakit pada tanaman dapat menyebabkan rendahnya produktifitas dan gagal panen. deteksi penyakit secara dini dapat meminimalkan kerugian. pemeriksaan mata telanjang untuk penyakit tanaman biasanya berdasarkan perubahan warna adanya bercak atau area busuk pada daun. Namun, untuk melakukan identifikasi warna daun jagung dengan indera penglihatan manusia memiliki kelamahan apabila tanaman harus diidentifikasi dalam jumlah banyak dan butuh waktu yang lama bagi petani jagung. untk mengurangi resiko gagal pananen akibat wabah penyakit, dapat diterapkan metode machine learning. saat ini, metode deep learning menjadi salah satu metode yang paling unggul dalam bidang klasifikasi dan identifikasi obejk pada computer vision. Dalam penelitian ini, riga model convolutonal neural network yang diuji untuk deteksi penyakit tanaman jagung yaitu densenet121, alexnet dan resnet50. penelitian ini berfokus pada implemenasi CNN dengan arsitektur densenet121 transfer learning dan non trasnfer learning dengan menguji coba variasi hyperparameter optmizer dan learning rate. penelitian ini menguji dataset sebanyak 4188 citra daun jagung yang terdiri dari tiga jenis penyakit yaitu common rust, gray leaf spot dan northern leaf blight serta satu jenis daun yang sehat. hasil dari eksperemine yang telah dilakukan mencapai akurasi 93,68% dengan menggunakan arsitektur DenseNet121 transfer learning pada optimizer adam dan learning rate 0,001.

Kata kunci: citra daun jagung, Convolutional neural network, trasnfer learning, densenet121, adam.

KATA KUNCI

Image processing,machine learning,Convolutional Neural Network,Deep Learning

---

DAFTAR PUSTAKA