Klasifikasi Citra Penyakit pada Daun Jagung Menggunakan Deep Learning dengan Metode Convolution Neural Network (CNN)

Abstract

Di kecamatan Gedeg, kabupaten Mojokerto mayoritas masyarakat memiliki mata pencaharian sebagai seorang petani tanaman Jagung, namun banyak kendala yang telah dihadapi oleh semua petani yakni gagal panen dikarenakan jenis penyakit yang tidak diketahui jenisnya yang berakibat gagal panen. Permasalahan tersebut dapat diatasi dengan Deep Learning yang menggunakan metode klasifikasi algoritma Convolutional Neural Network (CNN). Menggunakan citra fisik pada daun tanaman jagung, metode CNN dapat membuat klasifikasi melalui model yang dibuat. Peneliti membuat sebuah model untuk dilakukan klasifikasi dengan bagian terdiri dari 4 convolution layer, 2 pooling layer dengan ukuran 2×2, 3 dropout layer, 2 dense layer serta 1 flatten layer. Untuk melakukan aktivasi menggunakan ReLu, beserta 32 dan 64 filter menggunakan 4 macam  ukuran kernel yakni 3x2, 3x3, 3x4, 4x4. Dan dilakukan pengujian dengan 900 data gambar yang di mana 720 digunakan sebagai data train dan 180 sebagai data Test. Dengan learning rate sebesar 0.004, 100 epoch serta 6 algoritma performansi sebagai perbandingan yakni algoritma Root Mean Square Propagation (RMSProp), Adaptive Gradient (AdaGrad), Stochastic Gradient descent (SGD), Adaptive Moment (Adam), Adamax, Adadelta. Dan dihasilkan tingkat akurasi tertinggi yang dihasilkan oleh ukuran kernel 3x3 dengan algoritma optimasi Adaptive Moment (Adam) dengan hasil tingkat akurasinya sebesar 84% untuk data test dan 89% untuk data train, pada pengujian Testing dilakukan dengan jumlah 180 data yang didapatkan hasil tertinggi dengan model ukuran kernel 3x3 dengan jumlah true 175 dan jumlah false 5 didapatkan nilai presisi yang dihasilkan sebesar 94%, berdasarkan dengan komposisi warna pada citra.