Klasifikasi Kekeringan dan Penyakit pada Daun Padi Berdasarkan Ekstraksi Ciri Warna dan Tekstur Menggunakan CSPDarknet Klasifikasi Kekeringan dan Penyakit pada Daun Padi Berdasarkan Ekstraksi Ciri Warna dan Tekstur Menggunakan CSPDarknet
Isi Artikel Utama
Abstrak
Penurunan produktivitas padi di Indonesia kerap disebabkan oleh kekeringan dan penyakit daun yang sulit terdeteksi secara dini. Kondisi ini menuntut adanya sistem klasifikasi berbasis teknologi yang mampu memberikan diagnosis cepat dan akurat sebagai dukungan bagi pengambilan keputusan di sektor pertanian. Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra daun padi menggunakan arsitektur CSPDarknet, dengan pendekatan ekstraksi ciri warna dan tekstur. Dataset yang digunakan merupakan hasil dokumentasi primer yang telah melalui proses augmentasi guna meningkatkan keragaman data latih. Arsitektur model terdiri dari backbone CSPDarknet yang dikombinasikan dengan Cross-stage Partial Bottleneck with two Convolutions (C2f) block, Spatial Pyramid PoolingFast (SPPF), Global Average Pooling, dan dropout untuk meningkatkan generalisasi model. Pelatihan dilakukan dengan metode Stratified 5-Fold Cross-Validation serta tiga variasi optimizer, yaitu Stochastic Gradient Descent (SGD), Adam, dan AdamW. Hasil eksperimen menunjukkan bahwa kombinasi model terbaik dicapai dengan optimizer AdamW, dengan nilai akurasi rata-rata 99,72%, presisi 99,73%, recall 99,72%, dan F1-score 99,72%. Temuan ini menunjukkan bahwa pendekatan klasifikasi yang diusulkan mampu membedakan daun sehat, terserang penyakit, dan mengalami kekeringan secara efektif. Ke depan, model ini berpotensi dikembangkan lebih lanjut melalui integrasi perangkat Internet of Things (IoT) berbasis Raspberry Pi untuk pemantauan kondisi tanaman secara real-time di lapangan.
Unduhan
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Penulis yang menerbitkan dengan Positif : Jurnal Sistem dan Teknologi Informasi menyetujui persyaratan berikut:
- Penulis memegang hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
- Penulis dapat masuk ke dalam pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan.
This work is licensed under a Creative Commons Attribution 4.0 International License.
Referensi
[1] R. C. Bautista and P. A. Counce, “An Overview of Rice and Rice Quality,” Cereal Foods World, vol. 65, no. 5, 2020, doi: 10.1094/cfw-65-5-0052.
[2] E. I. R. Rhofita, “Optimalisasi Sumber Daya Pertanian Indonesia untuk Mendukung Program Ketahanan Pangan dan Energi Nasional,” Jurnal Ketahanan Nasional, vol. 28, no. 1, p. 82, 2022, doi: 10.22146/jkn.71642.
[3] N. E. Budiyanta, M. Mulyadi, and H. Tanudjaja, “Sistem Deteksi Kemurnian Beras berbasis Computer Vision dengan Pendekatan Algoritma YOLO,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 6, no. 1, pp. 51–55, 2021, doi: 10.30591/jpit.v6i1.2309.
[4] “Luas Panen dan Produksi Padi di Provinsi Jawa Tengah 2023 (Angka Sementara),” Badan Pusat Statistik Provinsi Jawa Tengah. [Online]. Available: https://jateng.bps.go.id/pressrelease/2023/11/01/1458/luas-panen-dan-produksi-padi-di-provinsi-jawa-tengah-2023--angka-sementara-.html
[5] E. Rasmikayati, B. R. Saefudin, D. Rochdiani, and R. S. Natawidjaja, “Dinamika Respon Mitigasi Petani Padi di Jawa Barat dalam Menghadapi Dampak Perubahan Iklim serta Kaitannya dengan Pendapatan Usaha Tani,” Jurnal Wilayah dan Lingkungan, vol. 8, no. 3, pp. 247–260, 2020, doi: 10.14710/jwl.8.3.247-260.
[6] “Produksi Padi Tahun 2023 Mengalami Penurunan,” BADAN PUSAT STATISTIK KABUPATEN PATI. [Online]. Available: https://patikab.beta.bps.go.id/id/news/2023/10/16/518/produksi-padi-tahun-2023-mengalami-penurunan.html
[7] Z. Jiang, Z. Dong, W. Jiang, and Y. Yang, “Recognition of rice leaf diseases and wheat leaf diseases based on multi-task deep transfer learning,” Comput Electron Agric, vol. 186, p. 106184, Jul. 2021, doi: 10.1016/j.compag.2021.106184.
[8] S. Sudewi, A. Ala, B. Baharuddin, and M. F. BDR, “Keragaman Organisme Pengganggu Tanaman (OPT) pada Tanaman Padi Varietas Unggul Baru (VUB) dan Varietas Lokal pada Percobaan Semi Lapangan,” Agrikultura, vol. 31, no. 1, p. 15, 2020, doi: 10.24198/agrikultura.v31i1.25046.
[9] Ulfah Nur Oktaviana, Ricky Hendrawan, Alfian Dwi Khoirul Annas, and Galih Wasis Wicaksono, “Klasifikasi Penyakit Padi berdasarkan Citra Daun Menggunakan Model Terlatih Resnet101,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 6, pp. 1216–1222, 2021, doi: 10.29207/resti.v5i6.3607.
[10] R. R. Rachmawati, “Smart Farming 4.0 Untuk Mewujudkan Pertanian Indonesia Maju, Mandiri, Dan Modern,” Forum penelitian Agro Ekonomi, vol. 38, no. 2, p. 137, 2021, doi: 10.21082/fae.v38n2.2020.137-154.
[11] A. Purnamawati, W. Nugroho, D. Putri, and W. F. Hidayat, “Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVMdan KNN,” InfoTekJar: Jurnal Nasional Informatika dan Teknologi Jaringan, vol. 5, no. 1, pp. 212–215, 2020, [Online]. Available: https://doi.org/10.30743/infotekjar.v5i1.2934
[12] S. Ghosal and K. Sarkar, “Rice Leaf Diseases Classification Using CNN With Transfer Learning,” in 2020 IEEE Calcutta Conference (CALCON), IEEE, Feb. 2020, pp. 230–236. doi: 10.1109/CALCON49167.2020.9106423.
[13] B. S. Bari et al., “A real-time approach of diagnosing rice leaf disease using deep learning-based faster R-CNN framework,” PeerJ Comput Sci, vol. 7, p. e432, Apr. 2021, doi: 10.7717/peerj-cs.432.
[14] A. Rifa'i and D. Mahdiana, “Image Processing for Diagnosis Rice Plant Diseases Using the Fuzzy System,” in 2020 International Conference on Computer Science and Its Application in Agriculture (ICOSICA), IEEE, Sep. 2020, pp. 1–5. doi: 10.1109/ICOSICA49951.2020.9243274.
[15] L. Muflikhah, Widodo, W. Mahmudy, and Solimun, Machine learning dalam bioinformatika. Malang: UB Press, 2021.
[16] C. Dewi, F. Y. Bilaut, H. J. Christanto, and G. Dai, “Deep Learning for the Classification of Rice Leaf Diseases Using YOLOv8,” Mathematical Modelling of Engineering Problems, vol. 11, no. 11, pp. 3025–3034, Nov. 2024, doi: 10.18280/mmep.111115.
[17] M. Agustin, I. Hermawan, D. Arnaldy, A. T. Muharram, and B. Warsuta, “Design of Livestream Video System and Classification of Rice Disease,” JOIV: International Journal on Informatics Visualization, vol. 7, no. 1, p. 139, Feb. 2023, doi: 10.30630/joiv.7.1.1336.
[18] E. Haque, M. Paul, A. Rahman, F. Tohidi, and J. Islam, “Rice Leaf Disease Detection and Classification Using Shallow Trained Yolov7 Active Deep Learning Approach,” in 2023 International Conference on Digital Image Computing: Techniques and Applications (DICTA), IEEE, Nov. 2023, pp. 516–522. doi: 10.1109/DICTA60407.2023.00077.
[19] M. E. Haque, A. Rahman, I. Junaeid, S. U. Hoque, and M. Paul, “Rice Leaf Disease Classification and Detection Using YOLOv5,” Sep. 2022, doi: 10.48550/arxiv.2209.01579.
[20] K. A. Baihaqi and Y. Cahyana, “Application of Convolution Neural Network Algorithm for Rice Type Detection Using Yolo v3,” Systematics, vol. 3, no. 2, pp. 272–280, 2021.
[21] R. Kashyap, J. G. Kotwal, and P. Mohd. Shafi, “Yolov5-based Convolutional Feature Attention Neural Network for Plant Disease Classification,” International Journal of Intelligent Systems Technologies and Applications, vol. 22, no. 3, 2024, doi: 10.1504/IJISTA.2024.10062157.
[22] F. Khan, N. Zafar, M. N. Tahir, M. Aqib, H. Waheed, and Z. Haroon, “A mobile-based system for maize plant leaf disease detection and classification using deep learning,” Front Plant Sci, vol. 14, May 2023, doi: 10.3389/fpls.2023.1079366.