Klasifikasi Penyakit pada Daun Anggur menggunakan Metode Convolutional Neural Network

Abstract

Abstrak
 Penyakit pada daun dapat mengurangi kualitas dan produktivitas. Deteksi atau klasifikasi penyakit pada tanaman memiliki peran yang sangat menonjol di bidang pertanian modern. Penelitian ini bertujuan untuk mengetahui akurasi klasifikasi objek penyakit pada daun dengan metode Convolutional Neural Network dengan menguji ukuran citra, arsitektur, nilai learning rate, dan jumlah epoh untuk mendapatkan akurasi yang baik. Selain itu menerapkan regularisasi Dropout untuk menghindari overfitting dan algoritma optimisasi RMSProp agar laju pembelajaran beradaptasi dengan kondisi data. Dataset yang digunakan berupa citra daun anggur sehat dan berpenyakit, berasal dari PlantVillage. Berdasarkan hasil pengujian, ukuran citra 128 × 128 piksel, arsitektur dengan 5 lapisan konvolusi, nilai learning rate 0.001 dan epoh sebanyak 30 menghasilkan nilai akurasi yaitu 98,5% untuk kelas Black Measles, 98,1% untuk kelas Black Rot dan 99,5% untuk kelas Healthy.
 Abstract
 Leaf diseases can reduce quality and productivity. Detection or classification of diseases in plants has a very prominent role in modern agriculture. This study aims to determine the classification accuracy of disease objects on leaves using the Convolutional Neural Network method by testing image size, architecture, learning rate, and number of epohs to obtain good accuracy. Besides that, it applies Dropout regularization to avoid overfitting and the RMSProp optimization algorithm so that the learning rate adapts to data conditions. The dataset used is in the form of images of healthy and diseased grape leaves, from PlantVillage. Based on the test results, the image size is 128 × 128 pixels, the architecture with 5 convolution layers, the learning rate is 0.001 and the epoh is 30, which results in an accuracy value of 98.5% for the Black Measles class, 98.1% for the Black Rot class and 99.5 % for Healthy class..