Model Transfer Learning Dalam Klasifikasi Penyakit Daun Jagung Menggunakan Arsitektur Densenet-201
DOI:
https://doi.org/10.47065/jieee.v4i3.2347Keywords:
Corn Leaf Diseases; Transfer Learning; DenseNet-201; Image Classification; Detection of Corn Leaf DiseasesAbstract
Produktivitas tanaman jagung dapat menurun secara signifikan akibat serangan penyakit pada daun yang sering kali tidak terdeteksi secara dini oleh para petani. Deteksi manual yang bergantung pada pengalaman subjektif petani memiliki keterbatasan dalam akurasi dan efisiensi, sehingga diperlukan solusi berbasis teknologi untuk mendukung praktik pertanian presisi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis penyakit daun jagung dengan menggunakan pendekatan Transfer Learning berbasis arsitektur DenseNet-201. Dataset yang digunakan terdiri dari gambar daun jagung yang terbagi dalam beberapa kategori, termasuk daun sehat dan daun yang terinfeksi penyakit seperti blight, rust, dan gray leaf spot. Untuk meningkatkan performa model dan mengurangi risiko overfitting, dilakukan teknik augmentasi data seperti rotasi, flipping, dan zooming. Proses pelatihan model dilakukan dengan pembagian data ke dalam set pelatihan dan pengujian. Hasil evaluasi menunjukkan bahwa model DenseNet-201 berhasil mencapai akurasi sebesar 96,65% pada data uji, serta menunjukkan keunggulan dalam hal efisiensi komputasi dan kemampuan generalisasi dibandingkan dengan arsitektur lain yang lebih dangkal. Dengan hasil tersebut, penelitian ini membuktikan bahwa DenseNet-201 merupakan solusi efektif untuk deteksi penyakit daun jagung secara cepat dan akurat, sehingga dapat diintegrasikan ke dalam sistem pendukung pengambilan keputusan di bidang pertanian modern
Downloads
References
M. F. Naufal, D. H. Prasetyo, And F. H. Ramadhan, “Rekomendasi Peralatan Camping Menggunakan Metode Complex Proportional Assesment,” J. Sains Komput. & Inform., Vol. 6, No. 2, Pp. 931–937, 2022, Doi: 10.21009/Jskki.062.13.
P. Erviyana, “Faktor?Faktor Yang Memengaruhi Produksi Tanaman Pangan Jagung Di Indonesia,” Jejak J. Ekon. Dan Kebijak., Vol. 7, No. 2, 2019, Doi: 10.15294/Jejak.V7i2.3900.
F. A. C. H. A. Safitri, M. Martosudiro, “Pengaruh Beberapa Jenis Dan Dosis Fungisida Terhadap Penyakit Hawar Daun (Helminthosporium Sp.) Dan Keanekaragaman Jamur Endofit Pada Daun Tanaman Jagung,” J. Hpt (Hama Penyakit Tumbuhan), Vol. 11, No. 4, Pp. 188–200, 2023, Doi: 10.21776/Ub.Jurnalhpt.2023.011.4.3.
M. I. Rosadi And M. Lutfi, “Identifikasi Jenis Penyakit Daun Jagung Menggunakan Deep Learning Pre-Trained Model,” J. Explor. It!, Vol. 13, No. 2, Pp. 36–42, 2021, [Online]. Available: Https://Doi.Org/10.35891/Explorit
R. D. C. F. F. Costa, L. G. Silva, “Characterization Of Exserohilum Turcicum Infection Sites In Maize Genotypes,” Trop. Plant Pathol., Vol. 45, No. 3, Pp. 301–312, 2020, Doi: 10.1007/S40858-020-00417?X.
A. Y. R. Ruimassa, E. A. Martanto, D. K. Erari, “Ketahanan Beberapa Varietas Jagung (Zea Mays L.) Terhadap Penyakit Karat Daun (Puccinia Sorghi) Di Dusun Copti, Distrik Prafi, Kabupaten Manokwari,” Agrotek, Vol. 10, No. 1, P., 2021, Doi: 10.46549/Agrotek.V10i1.240.
A. A. Kariman Aqla Sistem, Maulana Zidan Rakhmatullah, Muchammad Yusuf Efendi, “Klasifikasi Kualitas Daun Sehat Dan Tidak Sehat Pada Tanaman Jagung Dengan Menggunakan Metode Morfologi Gradien Di Python,” J. Sist. Apl. Dan Teknol. Inf., Vol. 1, No. 2, Pp. 85–94, 2024, Doi: 10.53567/Josiati.V1i2.18.
D. A. I. P. Putra, R. Rusbandi, “Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network,” J. Algoritm., Vol. 2, No. 2, Pp. 102–112, 2022, Doi: 10.35957/Algoritme.V2i2.2360.
B. Priyatna, T. K. A. Rahman, A. L. Hananto, A. Hananto, And A. Y. Rahman, “Mobilenet Backbone Based Approach For Quality Classification Of Straw Mushrooms (Volvariella Volvacea) Using Convolutional Neural Networks (Cnn),” Int. J. Informatics Vis., Vol. 8, No. 3–2, Pp. 1749–1754, 2024, Doi: 10.62527/Joiv.8.3-2.2998.
H. Mohammed Et Al, “Epidemic Development And Management Of Common Leaf Rust (Puccinia Sorghi Schwein) And Turcicum Leaf Blight [Exserohilum Turcicum (Pass.)] Of Maize (Zea Mays L.) In Eastern Ethiopia,” Agrosystems, Geosci. Environ., Vol. 9, No. 1, 2023, Doi: 10.1002/Agg2.20451.
J. Srikanthnaik, “Artificial Intelligence And Machine Learning For Precision In Agriculture: A Comprehensive Systematic Review,” Int. J. Res. Agron, Vol. 7, No. 6, Pp. 762–767, 2024, Doi: 10.33545/2618060x.2024.V7.I6j.2794.
A. B. M. R. R. E. Pramesti, “Implementation Of Deep Learning Using Convolutional Neural Network For Skin Disease Classification With Densenet-201 Architecture,” J. Ilm. Ilmu Komput., Vol. 6, No. 1, 2022, Doi: 10.30645/Jikon.V6i1.140.
W. Arrank Tonapa, P. D.K. Manembu, And F. D. Kambey, “Klasifikasi Ikan Cakalang Dan Tongkol Menggunakan Convolutional Neural Network,” J. Tek. Inform., Vol. 19, No. 01, Pp. 31–36, 2024, Doi: 10.35793/Jti.V19i01.52013.
B. Suswati, ““Implementasi Convolutional Neural Network Pada Klasifikasi Citra Daun Tanaman Hias,” J. Pendidik. Teknol. Inf., Vol. 4, No. 2, Pp. 41–51, 2024, Doi: 10.51454/Decode.V4i2.590.
N. Huda, A. Mahiruna, W. Sulistijanti, And R. C. N. Santi, “Analisis Performa Inceptionv3 Convolutional Network Pada Klasifikasi Varietas Daun Grapevine,” J. Sains Komput. Dan Teknol. Inf., Vol. 5, No. 2, Pp. 47–53, 2023, Doi: 10.33084/Jsakti.V5i2.5022.
A. V. Y. N. Maulana, C. Rozikin, “Implementasi Metode Cnn Untuk Klasifikasi Penyakit Tanaman Kentang Dengan Arsitektur Densenet,” J. Lentera, Vol. 23, No. 3, Pp. 301–309, 2024, Doi: 10.29138/Lentera.V23i3.1455.
J. Z. R. A. Mas’ud, “Optimasi Convolutional Neural Networks Untuk Deteksi Kanker Payudara Menggunakan Arsitektur Densenet,” Edumatic J. Pendidik. Inform., Vol. 8, No. 1, Pp. 310–318, 2024, Doi: 10.29408/Edumatic.V8i1.25883.
A. Agustina, F. Yanto, E. Budianita, I. Iskandar, And F. Syafria, “Klasifikasi Penyakit Tanaman Padi Menggunakan Metode Cnn Arsitektur Densenet-121 Dan Augmentasi Data,” J. Inf. Syst. Informatics Eng., Vol. 8, No. 1, Pp. 124–134, 2024, [Online]. Available: Https://Doi.Org/10.35145/Joisie.V8i1.4256
M. H. M. Bakr, S. Abdel?Gaber, M. Nasr, “Densenet?201 Based Model For Plant Diseases Diagnosis,” Eur. J. Electr. Eng. Comput. Sci, Vol. 6, No. 5, Pp. 458–470, 2022, Doi: 10.24018/Ejece.2022.6.5.458.
Z. Gu Et Al., “Assessing Breast Cancer Volume Alterations Post-Neoadjuvant Chemotherapy Through Densenet-201 Deep Learning Analysis On Dce-Mri,” J. Radiat. Res. Appl. Sci., Vol. 17, No. 3, P. 100971, 2024, Doi: 10.1016/J.Jrras.2024.100971.
N. K. M. Fraiwan And E. Faouri, “Classification Of Corn Diseases From Leaf Images Using Deep Transfer Learning,” Plants, Vol. 11, No. 23, Pp. 1–15, 2022, Doi: 10.3390/Plants11233241.
M. P. K. P. F. D. Adhinata, G. F. Fitriana, A. Wijayanto, “‘Corn Disease Classification Using Transfer Learning And Convolutional Neural Network,’” Juita J. Inform., Vol. 9, No. 2, Pp. 211–217, 2021, Doi: Doi: 10.30595/Juita.V9i2.11686.
A. K. S. R. M. A. Waheed, S. U. Rehman, “‘Optimized Densenet Architecture For Detection And Classification Of Maize Leaf Diseases,’” Complex Intell. Syst., Vol. 10, No. 2, Pp. 123–130, 2024, Doi: 10.1007/S40747-023-01000-X.
Bila bermanfaat silahkan share artikel ini
Berikan Komentar Anda terhadap artikel Model Transfer Learning Dalam Klasifikasi Penyakit Daun Jagung Menggunakan Arsitektur Densenet-201
ARTICLE HISTORY
Issue
Section
Copyright (c) 2025 M Sandy Tirta, Rudi Kurniawan, Antoni Zulius
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
