Klasifikasi Penyakit Daun Tanaman Kentang Menggunakan Convolutional Neural Network Berbasis Web

Classification of Potato Plant Leaf Diseases Using Convolutional Neural Network Based on Web Application

Indonesia memiliki potensi besar di sektor pertanian salah satunya adalah tanaman kentang (Solanum tuberosum L.). Kentang merupakan tanaman pangan di Indonesia yang menempati kategori tertinggi setelah beras berdasarkan data dari Dinas Pertanian dan Ketahanan Pangan dengan jumlah konsumsi sebesar 2,3 kg/kapita/tahun. Kendala dalam budidaya kentang adanya serangan hama dan penyakit yang mempengaruhi terhadap produktivitas tanaman kentang. Dalam mendeteksi penyakit masih menggunakan cara tradisional, yaitu melalui observasi secara langsung dan tes laboratorium, sehingga membutuhkan waktu lama dan bersifat subjektif. Adapun metode yang digunakan adalah Convolutional Neural Network (CNN). Arsitektur CNN memiliki karakteristik layer untuk memproses citra dua dimensi dengan convolution layer yang ada di dalamnya. Dalam penelitian ini digunakan pengembangan keluarga CNN dengan modifikasi arsitektur CNN pada bagian optimizer, activation function, dan jumlah epoch. Tujuan penelitian adalah membangun model arsitektur modifikasi CNN dan mengukur kinerja model tersebut. Selanjutnya, diimplementasikan menggunakan aplikasi web yang dapat membantu dinas pertanian dalam mengklasifikasikan penyakit daun kentang berdasarkan tiga kelas, yaitu healthy, early blight, dan late blight. Tempat melakukan penelitian di Dinas Pertanian dan Ketahanan Pangan Kota Pasuruan dan dinas tersebut sebagai pakar dan validasi data. Sumber data yang digunakan berasal dari Kaggle “Potato Leaf Disease Dataset”. Tahapan metode penelitian adalah menentukan dataset daun kentang, pre-processing, splitting data, klasifikasi dengan CNN, menghitung kinerja model (confusion matrix), dan membuat aplikasi web. Hasil uji coba beberapa model arsitektur yaitu VGG16, AlexNet, ResNet50, LeNet, MobileNet, dan Modifikasi CNN menghasilkan nilai akurasi masing-masing sebesar 97%; 92,67%; 79,33%; 96,67%; 97,33%; dan 98,33%. Model arsitektur dengan akurasi yang paling tinggi dalam melakukan klasifikasi penyakit daun kentang adalah model arsitektur modifikasi CNN.

Potato plant (Solanum tuberosum L.) is one of the agricultural products with great potential in Indonesia. According to data from the Department of Agriculture and Food Security, potatoes are the food crop that is consumed in Indonesia the most, ranking second only to rice at 2.3 kg per capita annually. Attacks by pests and diseases that reduce the output of potato plants are problems in the cultivation of potatoes. Disease identification is still done subjectively and with great delay using traditional procedures such as laboratory investigation and direct observation. Convolutional neural networks (CNN) are the technique employed. Convolution layers in two-dimensional image may be processed using layer convolution of CNN architecture. This research takes advantage of the development of the CNN family, including changes to CNN architecture concerning hyperparameter optimizers, activation functions, and epochs. The purpose of this research is to create a modified CNN architecture model and measure the model's performance. Furthermore, a web application is used in its implementation to help the agricultural department in the classification of potato leaf diseases into three classes: healthy, early blight, and late blight. Pasuruan Department of Agriculture and Food Security is an expert and for data validation when research. "Potato Leaf Disease Dataset" on Kaggle is the source of the dataset used. Procedures used in this research are: selecting a dataset of potato leaves, pre-processing, data splitting, CNN classification, measuring model performance (confusion matrix), and creating a web application. The test results for several architecture models: VGG16, Alex-Net, ResNet50, LeNet, Mobile-Net, and modified CNN, have accuracy values of 97%, 92.67%, 79.33%, 96.67%, 97.33%, and 98.33%. So, modified CNN architecture model has the highest accuracy in classifying diseases of the potato leaf.