Penerapan Convolutional Neural Network Untuk Mengidentifikasi Penyakit Tanaman Kelapa Sawit

Itin Riati; Yuhandri; Gunadi Widi Nurcahyo

doi:10.35134/komtekinfo.v11i4.554

Authors

Itin Riati Universitas Putra Indonesia "YPTK" Padang
Yuhandri Universitas Putra Indonesia YPTK Padang
Gunadi Widi Nurcahyo Universitas Putra Indonesia YPTK Padang

DOI:

https://doi.org/10.35134/komtekinfo.v11i4.554

Keywords:

Convolutional Neural Network, Identifikasi, Hama, Penyakit, Tanaman Kelapa Sawit.

Abstract

Pemanfaatan teknologi dapat dikembangkan di segala bidang seperti dalam bidang perkebunan kelapa sawit. Tanaman kelapa sawit merupakan komoditas perkebunan di Indonesia yang telah berkembang dengan pesat, faktor – faktor yang mempengaruhi pertumbuhan dan produktivitas kelapa sawit harus diperhatikan seperti adanya hama dan penyakit tanaman kelapa sawit. kecerdasan buatan merupakan teknologi masa kini yang konsepnya memindahkan kecerdasan manusia ke dalam mesin. Terdapat beberapa jenis kecerdasan buatan yang digunakan dalam pendidikan yakni Machine learning dan Deep Learning, salah satu algoritma Deep Learning yang merupakan pengembangan dari Multilayer Perceptron (MPL) yang dirancang untuk mengolah data dalam bentuk dua dimensi, misalnya gambar atau suara yaitu Convolutional Neural Network (CNN). Metode yang dapat digunakan dalam melakukan identifikasi ini yaitu Convolutional Neural Network (CNN) yang dapat memplajari objek pada pola citra. Penelitian ini bertujuan untuk meningkatkan akurasi dalam deteksi penyakit serta hama pada bibit kelapa sawit, menggunakan dataset yang terdiri dari gambar bibit yang terinfeksi dan sehat. Data yang di ambil yaitu 800 data gambar bibit kelapa sawit yang di bagi menjadi 3 kelas yaitu bagus, kulvularia sp dan antraknosa. Parameter yang diujikan pada penelitian ini yaitu hidden layer dan optimizer berpengaruh terhadap performa sistem yang berupa nilai akurasi, precision, recall, fl-score, dan loss. Pada penelitian ini didapatkan hasil terbaik dengan penggunaan empat hidden layer dan optimizer Adam didapatkan hasil akurasi sebesar 91,66%, precision, recall, fl score sebesar 90% dan loss sebesar 0,0047 serta grafik performa akurasi dan loss secara good fit. Hasil penelitian menunjukkan bahwa CNN dapat secara efektif mendeteksi berbagai jenis hama dan penyakit pada tanaman kelapa sawit dengan akurasi lebih dari 90%. penelitian ini menunjukkan potensi besar dalam pertanian modern dan dapat memfasilitasi praktik pertanian yang lebih berkelanjutan dan efisien.

References

A. D. Sabilla, P. Studi, S. Informasi, U. I. Nadhlatul, and U. Jepara, “Sistem pakar diagnosa penyakit dan hama tanaman kelapa sawit dengan metode forward chaining,” vol. 4, no. 1, 2022.

Z. P. Nasution, R. Farrasati, and E. S. Sutarta, “Analisis Usahatani Tumpang Sari Hortikultura pada Fase Tanaman Kelapa Sawit Belum Menghasilkan (TBM) serta Dampaknya terhadap Kesuburan Tanah di Kecamatan Tandun, Rokan Hulu, Riau,” J. Ekon. Pertan. dan Agribisnis, vol. 6, no. 2, p. 642, 2022, doi: 10.21776/ub.jepa.2022.006.02.28.

R. Firnando, ) ; Asnawati, and J. Fredicka, “Disease Diagnosis Expert System In Palm Oil Plants Using Forward Chaining Method Android Based Sistem Pakar Diagnosis Penyakit Pada Tanaman Kelapa Sawit Menggunakan Metode Forward Chaining Berbasis Android,” J. Kom., vol. 2, no. 2, pp. 643–652, 2022, [Online]. Available: https://doi.org/10.53697/jkomitek.v2i2

R. Philips, “Sistem Pakar Diagnosa Penyakit Kelapa Sawit Menggunakan Metode Certainty Factor Berbasis Web,” vol. 4, no. 3, 2022.

M. Mariana, A. Puspitaningrum, and W. Manullang, “KEEFEKTIFAN PENGENDALIAN HAMA ULAT API MENGGUNAKAN FOGGING PADA TANAMAN KELAPA SAWIT DI PT . SOCFINDO KEBUN MATAPAO,” 2023.

A. Rohim, Y. A. Sari, and Tibyani, “Convolution Neural Network (CNN) Untuk Pengklasifikasian Citra Makanan Tradisional,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 7038–7042, 2019.

J. Kuswanto and J. Dapiokta, “Penerapan Metode Forward Chaining untuk Diagnosa Penyakit Pneumonia,” J. Unitek, vol. 15, no. 1, pp. 20–26, 2022, doi: 10.52072/unitek.v15i1.311.

A. Car et al., “No 主観的健康感を中心とした在宅高齢者における健康関連指標に関する共分散構造分析Title,” Int. J. Technol., vol. 47, no. 1, p. 100950, 2023, [Online]. Available: https://doi.org/10.1016/j.tranpol.2019.01.002%0Ahttps://doi.org/10.1016/j.cstp.2023.100950%0Ahttps://doi.org/10.1016/j.geoforum.2021.04.007%0Ahttps://doi.org/10.1016/j.trd.2021.102816%0Ahttps://doi.org/10.1016/j.tra.2020.03.015%0Ahttps://doi.org/10.1016/j

F. Rizal, F. Hasyim, K. Malik, and Y. Yudistira, “Implementasi Algoritma Convolutional Neural Networks (CNN) Untuk Klasifikasi Batik,” COREAI J. Kecerdasan Buatan, Komputasi dan Teknol. Inf., vol. 2, no. 2, pp. 40–47, 2022, doi: 10.33650/coreai.v2i2.3365.

A. M. Lesmana, R. P. Fadhillah, and C. Rozikin, “Identifikasi Penyakit pada Citra Daun Kentang Menggunakan Convolutional Neural Network (CNN),” J. Sains dan Inform., vol. 8, no. 1, pp. 21–30, 2022, doi: 10.34128/jsi.v8i1.377.

M. Afdhal and Rita, “Sistem Pakar Diagnosa Penyakit Hiperlipidemia Menggunakan Metode Certainty Factor Berbasis Web,” J. KomtekInfo, vol. 11, no. 1, pp. 133–139, 2022, doi: 10.35134/komtekinfo.v9i4.321.

V. Zuraida, D. Kusbianto, and M. R. Pahlevi, “Sistem Pakar Diagnosis Penyakit dan Hama pada Tanaman Padi dengan Metode Forward Chaining,” J. Minfo Polgan, vol. 12, no. 1, pp. 378–384, 2023, doi: 10.33395/jmp.v12i1.12437.

A. A. Santosa, R. Y. N. Fu’adah, and S. Rizal, “Deteksi Penyakit pada Tanaman Padi Menggunakan Pengolahan Citra Digital dengan Metode Convolutional Neural Network,” J. Electr. Syst. Control Eng., vol. 6, no. 2, pp. 98–108, 2023, doi: 10.31289/jesce.v6i2.7930.

I. D. Zianka, S. D. Alim, M. K. Adiputro, and A. Setiawan, “Perancangan Aplikasi Android untuk Perhitungan Nutrisi Makanan Pencegah Stunting dengan Metode CNN di Jakarta,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 99–107, 2023, doi: 10.57152/malcom.v4i1.1027.

E. Oktafanda, “Klasifikasi Citra Kualitas Bibit dalam Meningkatkan Produksi Kelapa Sawit Menggunakan Metode Convolutional Neural Network (CNN),” J. Inform. Ekon. Bisnis, vol. 4, no. 3, pp. 72–77, 2022, doi: 10.37034/infeb.v4i3.143.

S. A. Maulana et al., “Penerapan Metode CNN (Convolutional Neural Network) Dalam Mengklasifikasi Jenis Ubur-Ubur,” J. Penelit. Rumpun Ilmu Tek., vol. 2, no. 4, pp. 122–130, 2023, [Online]. Available: https://doi.org/10.55606/juprit.v2i4.3084

F. Paraijun, R. N. Aziza, and D. Kuswardani, “Implementasi Algoritma Convolutional Neural Network Dalam Mengklasifikasi Kesegaran Buah Berdasarkan Citra Buah,” Kilat, vol. 11, no. 1, pp. 1–9, 2022, doi: 10.33322/kilat.v10i2.1458.

A. ANHAR and R. A. PUTRA, “Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network (CNN),” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 11, no. 2, p. 466, 2023, doi: 10.26760/elkomika.v11i2.466.