Identifikasi Kinerja Arsitektur Transfer Learning Vgg16, Resnet-50, Dan Inception-V3 Dalam Pengklasifikasian Citra Penyakit Daun Tomat
Abstract
Tomat merupakan salah satu tumbuhan holtikultura sekaligus tanaman musiman yang banyak dikonsumsi di Indonesia. Produksi tanaman tomat sering kali terancam oleh serangan hama dan penyakit, sehingga diperlukannya campur tangan teknologi dalam pengidentifikasian penyakitnya. Teknologi untuk mengidentifikasi penyakit yang terfokus pada daun tomat ini menggunakan pengolahan citra dengan metode CNN. Penelitian ini diharapkan dapat menghasilkan perbandingan arsitektur CNN yang terbaik secara akurasi. Terdapat tiga arsitektur CNN yang dibandingkan dalam penelitian ini yaitu, arsitektur VGG16, ResNet50 dan Inception-V3. Dalam pengimplementasiannya, ketiga arsitektur tersebut diberikan perlakuan yang sama seperti penggunaan input piksel, penambahan layers model, dan lain sebagainya. Penelitian ini menghasilkan tingakt akurasi yang berbeda beda. Arsitektur Inception-V3 mendapatkan nilai akurasi dan validasi akurasi sebesar 0.9551 dan 0.9544. Arsitektur ResNet50 mendapatkan nilai akurasi sebesar 0.9578 dan nilai validasi akurasi sebesar 0.9467. Dan nilai akurasi tertinggi didapat dengan nilai akurasi sebesar 0.9754 dan nilai validasi akurasi tertinggi pada 0.9778 menggunakan arsitektur VGG16.
References
[1] N. Heriani, W. Abbas Zakaria, and S. Achdiansyah, “Analisis Keuntungan dan Risiko Usahatani Tomat di Kecamatan Sumberejo Kabupaten Tanggamus,” Jiia, vol. 1, no. 2, pp. 169–173, 2013.
[2] R. Wulandari, “Respon pertumbuhan tanaman t o m a t,” RESPON PERTUMBUHAN Tanam. TOMAT {Lycopersicum esculentum L.) DENGAN PENAMBAHAN PUPUK ORGANIK BAYAM {Amaranthus sp L. ) SERTA PENGAJARANNYA DI MADRASAH ALIYAH NEGERI 1 PALEMBANG, no. November, 2015.
[3] L. Sahrani, “Klasifikasi Penyakit Daun Tomat Berdasarkan Ekstraksi Tekstur Daun Menggunakan Gabor Filter Dan Algoritma Support Vector Machine,” 2021, [Online]. Available: http://repository.uinsu.ac.id/13431/
[4] N. Z. Munantri, H. Sofyan, and M. Yanu, “Aplikasi Pengolahan Citra Digital Untuk Mendeteksi Umur Pohon,” Telematika, vol. 16, no. 2, pp. 97–104, 2019.
[5] M. Agarwal, S. K. Gupta, and K. K. Biswas, “Development of Efficient CNN model for Tomato crop disease identification,” Sustain. Comput. Informatics Syst., vol. 28, p. 100407, Dec. 2020, doi: 10.1016/j.suscom.2020.100407.
[6] Stephen, Raymond, and H. Santoso, “APLIKASI CONVOLUTION NEURAL NETWORK UNTUK MENDETEKSI JENIS-JENIS SAMPAH,” Explor. ± J. Sist. Inf. dan Telemat., 2013.
[7] C. Wang et al., “Pulmonary image classification based on inception-v3 transfer learning model,” IEEE Access, vol. 7, pp. 146533–146541, 2019, doi: 10.1109/ACCESS.2019.2946000.
[8] N. Khasanah, “Komparasi Arsitektur RESNET50 dan VGG16 untuk Klasifikasi Citra Tanda Tangan,” J. Sist. Inf., vol. 14, no. 1, pp. 2611–2621, 2022.
[9] M. Zufar and S. Setiyono, Budi Si, “Convolutional Neural Networks for Real-Time Face Recognition,” pp. 1–137, 2016.
[10] A. Patil and M. Rane, “Convolutional Neural Networks: An Overview and Its Applications in Pattern Recognition,” Smart Innov. Syst. Technol., vol. 195, pp. 21–30, 2021, doi: 10.1007/978-981-15-7078-0_3.
[11] B. K. Umri, E. Utami, and M. P. Kurniawan, “Tinjauan Literatur Sistematik tentang Deteksi Covid-19 menggunakan Convolutional Neural Networks,” Creat. Inf. Technol. J., vol. 8, no. 1, p. 9, 2021, doi: 10.24076/citec.2021v8i1.261.
[12] M. A. Pangestu and H. Bunyamin, “Analisis Performa dan Pengembangan Sistem Deteksi Ras Anjing pada Gambar dengan Menggunakan Pre-Trained CNN Model,” J. Tek. Inform. dan Sist. Inf., vol. 4, pp. 337–344, 2018.
[13] D. Theckedath and R. R. Sedamkar, “Detecting Affect States Using VGG16, ResNet50 and SE-ResNet50 Networks,” SN Computer Science, vol. 1, no. 2. 2020. doi: 10.1007/s42979-020-0114-9.
[14] M. R. Kapa, “Klasifikasi Citra Penyakit Leukemia Menggunakan Convolutional Neural Network Dengan Arsitektur Inception-V3,” p. 129, 2022.
[15] S. GC et al., “Using Deep Learning Neural Network in Artificial Intelligence Technology to Classify Beef Cuts,” Front. Sensors, vol. 2, no. June, pp. 1–12, 2021, doi: 10.3389/fsens.2021.654357.
DOI: 10.30595/jrre.v5i2.18050
ISSN: 2685-5313
|
|
|
 |
 |
 |
|  |
 |
|  |
 |