IDENTIFIKASI JENIS PENYAKIT PADA CITRA DAUN TIN DENGAN MENGGUNAKAN METODE DEEP LEARNIN

• WAEISUL BISMI
• 14002464

---

ABSTRAK

 

ABSTRAK Nama : Waeisul bismi NIM : 14002464 Program Studi : Ilmu Komputer Fakultas : Teknologi Informasi Jenjang : Strata Dua (S2) Konsentrasi : Image Processing Judul : “Identifikasi Jenis Penyakit Pada Citra Daun Tin Dengan Menggunakan Metode Deep Learning” Tanaman tin atau tanaman ara (Ficus carica) yang nama tin sendiri diambil dari bahasa arab, Tanaman tin dibudidayakan di seluruh dunia termasuk negara Indonesia karena nutrisi dan sifat medisnya. Penyebab utama tanaman tin menjadi langka di Indonesia karena ancaman penyakit dan virus yang menyerang tanaman tin tersebut, seperti penyakit daun karat (Cerotelium Fici), Kemudian penyakit mosaik (Mosaic Disease) dan penyakit Bemisia Tabaci (Kutu Kebul). Tanaman yang terinfeksi penyakit menyebabkan pertumbuhan menjadi lambat dan cacat pada buahnya. Sehingga diperlukan penanganan pemeriksaan dan identifikasi jenis penyakitnya. Tujuan penelitian ini adalah mengidentifikasi penyakit pada daun tin dengan diawali metode digitalisasi citra dan kemudian dikonfirmasikan pada botanis tanaman tin sehingga penelitian ini menghasilkan 3 kelas citra daun tin sakit dan 1 kelas citra daun tin sehat. Dataset yang digunakan yaitu 300 citra daun tin yang telah dikonfirmasi oleh botanis tanaman tin untuk digunakan sebagai data
testing, yang kemudian di augmentasi hingga menghasilkan 3300 citra daun tin untuk data train dan validation. Sistem identifikasi pada penelitian ini menggunakan metode deep learning dengan beberapa model yang diusulkan yaitu
vgg16, vgg19, dan mobilenet. Dari ketiga model tersebut, model mobilenet menghasilkan akurasi terbaik yaitu 98.79%. Kemudian untuk implementasi sistem, model tersebut di convert menjadi TensorFlow Lite dan dimuat ke dalam Software
Android Studio agar dapat berjalan sebagai aplikasi mobile berbasis android.
Kata kunci : Daun tin, Augmentation, Deep Learning, Aplikasi Android
 

KATA KUNCI

METODE DEEP LEARNING

---

DAFTAR PUSTAKA

 

DAFTAR REFERENSI [1] O. Boyacioglu, B. Kara, H. Can, T. N. Yerci, S. Yilmaz, and S. O. Boyacioglu, “Leaf Hexane Extracts of Two Turkish Fig (Ficus carica L.) Cultivars Show Cytotoxic Effects on a Human Prostate Cancer Cell Line,”
Agric. Food Sci. Res. , vol. 6, no. 1, pp. 66–70, 2019, doi: 10.20448/journal.512.2019.61.66.70. [2] M. Qomaruddin, D. Riana, and A. Anton, “Segmentasi K-Means Citra Daun Tin Dengan Klasifikasi Ciri Gray Level Co Occurance Matrix,” J. Sist. dan
Teknol. Inf., vol. 9, no. 2, p. 223, 2021, doi: 10.26418/justin.v9i2.44139. [3] W. Fajar and T. Mulyani, “REVIEW ARTIKEL?: ETNOFARMAKOLOGI TANAMAN TIN (Ficus Carica L.) (KAJIAN TAFSIR ILMI TENTANG BUAH TIN DALAM AL-QUR’AN),” J. Farmagazine, vol. 7, no. 1, p. 58, 2020, doi: 10.47653/farm.v7i1.156. [4] I. P. B. Arthana, “Kajian potensi antidiabetik ekstrak daun tin ( Ficus carica L.) dengan metode in vivo,” Fak. Ilmu Kesehat. Univ. Ngudi Waluyo, 2020. [5] S. H. Li, P. H. Zheng, I. C. Chiang, Y. T. Su, S. S. Lin, and C. Z. Ho, “The development and evaluation of fig leaf syrup,” Proc. Int. Conf. Artif. Life
Robot., vol. 2020, pp. 357–359, 2020, doi: 10.5954/ICAROB.2020.POS7-1. [6] A. Zakaria, Z. Yahya, and H. Nurmayunita, “Pengaruh Pemberian Teh Daun Tin Terhadap Kadar Gula Darah Pada Penderita Diabetes Mellitus,” J. Ilmu
Kesehat., vol. 7, no. 2, p. 357, 2019, doi: 10.32831/jik.v7i2.215. [7] J. Kamas, M. Nesbitt, and L. Stein, “Texas Fruit and Nut Production,” Texas
A&M AgriLife Ext. , pp. 1–7, 2017. [8] E. A. Rogovski Czaja, W. M. Zeviani, M. Dalla Pria, and L. L. May De Mio, “Monocycle components of fig rust comparing in vivo and ex vivo methodology,” Eur. J. Plant Pathol. , vol. 160, no. 4, pp. 813–823, 2021, doi: 10.1007/s10658-021-02284-x.
50
Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri [9] Z. Alsaheli et al., “Development of singleplex and multiplex real-time (Taqman®) RT-PCR assays for the detection of viruses associated with fig mosaic disease,” J. Virol. Methods, vol. 293, no. October 2019, p. 114145, 2021, doi: 10.1016/j.jviromet.2021.114145. [10] S. Hadianti and D. Riana, “Segmentation and analysis of Pap smear microscopic images using the K-means and J48 algorithms,” J. Teknol. dan
Sist. Komput., vol. 9, no. 2, pp. 113–119, 2021, doi: 10.14710/jtsiskom.2021.13943. [11] D. Riana, S. Rahayu, S. Hadianti, Frieyadie, M. Hasan, and R. Pratama, “Identifikasi Citra Pap Smear RepoMedUNM dengan Menggunakan K- Means Clustering dan GLCM,” J. RESTI (Rekayasa Sist. dan Teknol.
Informasi), vol. 5, pp. 1–2, 2022. [12] Eril Mozef, “Algoritma Labeling Citra Biner Dengan Performansi Optimal Processor-Time,” J. Inform., vol. 5, no. 2, pp. 67–77, 2004, [Online]. Available: http://puslit2.petra.ac.id/ejournal/index.php/inf/article/view/15841. [13] K. H. Mahmud, Adiwijaya, and S. Al Faraby, “Klasifikasi Citra Multi-Kelas Menggunakan Convolutional Neural Network,” e-Proceeding Eng. , vol. 6, no. 1, pp. 2127–2136, 2019. [14] I. Kurniastuti, E. N. I. Yuliati, F. Yudianto, and T. D. Wulan, “Determination of Hue Saturation Value (HSV) color feature in kidney histology image,” J.
Phys. Conf. Ser. , vol. 2157, no. 1, p. 012020, 2022, doi: 10.1088/1742- 6596/2157/1/012020. [15] R. Pujiati and N. Rochmawati, “Identifikasi Citra Daun Tanaman Herbal Menggunakan Metode Convolutional Neural Network ( CNN ),” JINACS
(Journal Informatics Comput. Sci. , vol. 03, pp. 351 –357, 2022. [16] T. Annas T.S, “Perbandingan Model Warna RGB , HSL dan HSV Sebagai Fitur dalam Prediksi Cuaca pada Citra Langit menggunakan,” Tek. Inform., p. 9, 2019.
51
Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri [17] J. Lu, L. Tan, and H. Jiang, “Review on convolutional neural network (CNN) applied to plant leaf disease classification,” Agric., vol. 11, no. 8, pp. 1 –18, 2021, doi: 10.3390/agriculture11080707. [18] M. D. Muafa, “Pengembangan Aplikasi Berbasis Web dengan Rshiny untuk Data Klasifikasi Menggunakan Metode Naive Bayes,” Automata, vol. 3, no. 1, p. 8, 2022, [Online]. Available: https://journal.uii.ac.id/AUTOMATA/article/view/21875. [19] R. Agustina, R. Magdalena, and N. O. R. K. Caecar, “Klasifikasi Kanker Kulit menggunakan Metode Convolutional Neural Network dengan Arsitektur VGG-16,” ELKOMIKA, vol. 10, no. 2, pp. 446–457, 2022, [Online]. Available: https://ejurnal.itenas.ac.id/index.php/elkomika/article/view/5674/2879. [20] J. Pardede, B. Sitohang, S. Akbar, and M. L. Khodra, “Implementation of Transfer Learning Using VGG16 on Fruit Ripeness Detection,” Int. J. Intell.
Syst. Appl., vol. 13, no. 2, pp. 52–61, 2021, doi: 10.5815/ijisa.2021.02.04. [21] R. Rismiyati and A. Luthfiarta, “VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification,” Telematika, vol. 18, no. 1, p. 37, 2021, doi: 10.31315/telematika.v18i1.4025. [22] B. Han, J. Du, Y. Jia, and H. Zhu, “Zero-Watermarking Algorithm for Medical Image Based on VGG19 Deep Convolution Neural Network,” J.
Healthc. Eng., vol. 2021, 2021, doi: 10.1155/2021/5551520. [23] J. Feriawan, D. Swanjaya, T. Informatika, F. Teknik, U. Nusantara, and P. Kediri, “Perbandingan Arsitektur Visual Geometry Group dan MobileNet Pada Pengenalan Jenis Kayu,” Semin. Nas. Inov. Teknol. UN PGRI, pp. 185– 190, 2020. [24] P. N. Zakiya, L. Novamizanti, S. Rizal, and U. Telkom, “KLASIFIKASI PATOLOGI MAKULA RETINA MELALUI CITRA OCT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR MOBILENET,” e-Proceding of Enggineering, vol. 8, no. 5, pp. 5072–5082, 2021.
52
Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri [25] R. A. Saputra, S. Wasiyanti, A. Supriyatna, and D. F. Saefudin, “Penerapan Algoritma Convolutional Neural Network Dan Arsitektur MobileNet Pada Aplikasi Deteksi Penyakit Daun Padi,” J. Swabumi, vol. 9, no. 2, pp. 184– 188, 2021, doi: 10.31294/swabumi.v9i2.11678. [26] A. Ali, M. F. Pasha, H. F. Ong, and R. Khan, Big Data Intelligence for Smart
Applications, no. January. Springer, 2022. [27] D. Kurniawan and A. Saputra, “Penerapan K-Nearest Neighbour Dalam Penerimaan Peserta Didik Dengan Sistem Zonasi,” J. Sist. Inf. Bisnis, vol. 02, no. 51, pp. 212–219, 2019. [28] H. F. Fadli and A. F. Hidayatullah, “Identifikasi Cyberbullying pada Media Sosial Twitter Menggunakan Metode LSTM dan BiLSTM,” Automata, 2021, [Online]. Available: https://journal.uii.ac.id/AUTOMATA/article/view/17364. [29] G. Labrèche, D. Evans, D. Marszk, and ..., “OPSSAT Spacecraft Autonomy with TensorFlow Lite, Unsupervised Learning, and Online Machine Learning,” 2022 IEEE Aerosp. , no. March, 2022, [Online]. Available: https://www.researchgate.net/publication/358040622_OPSSAT_Spacecraft_Autonomy_with_TensorFlow_Lite_Unsupervised_Learni ng_and_Online_Machine_Learning. [30] “TensorFlow Lite Guide,” TensorFlow, 2022. https://www.tensorflow.org/lite/guide. [31] R. David, J. Duke, A. Jain, V. J. Reddi, N. Jeffries, and J. Li, “Tensorflow Lite Micro: Embedded Machine Learning On Tinyml Systems,” MLSys
Proc., pp. 1–9, 2021. [32] W. Bismi, M. Napiah, J. L. Putra, and F. Shidiq, “Rancang Bangun Aplikasi Pembelajaran Bahasa Arab Untuk Siswa Madrasah Ibtidaiyah Berbasis Android,” J. CO-SCIENCE, vol. 1, p. 8, 2021.
53
Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri [33] W. Bismi, M. Maysaroh, and T. Asra, “Rancang Bangun Aplikasi Pembelajaran Mahfudzot Untuk Pondok Pesantren Berbasis Android Menggunakan Metode Extreme Programming,” Semnas Ristek (Seminar
Nas. Ris. dan Inov. Teknol. , vol. 4, no. 1, pp. 15–21, 2020. [34] R. A. Sholihati, I. A. Sulistijono, A. Risnumawan, and E. Kusumawati, “Potato Leaf Disease Classification Using Deep Learning Approach,” IES
2020 - Int. Electron. Symp. Role Auton. Intell. Syst. Hum. Life Comf., pp. 392–397, 2020, doi: 10.1109/IES50839.2020.9231784. [35] A. Sembiring, Y. Away, F. Arnia, and R. Muharar, “Development of Concise Convolutional Neural Network for Tomato Plant Disease Classification Based on Leaf Images,” J. Phys. Conf. Ser. , vol. 1845, no. 1, 2021, doi: 10.1088/1742-6596/1845/1/01 2009. [36] U. K. Lilhore et al., “Enhanced Convolutional Neural Network Model for Cassava Leaf Disease Identification and Classification,” Mathematics, vol. 10, p. 19, 2022. [37] D. S. Rao et al., “Plant disease classification using deep bilinear cnn,” Intell.
Autom. Soft Comput. , vol. 31, no. 1, pp. 161 –176, 2022, doi: 10.32604/IASC.2022.017706.