Penerapan Metode Convolution Neural Network untuk Klasifikasi Penyakit pada Daun Tembakau

Abstract

Tumbuhan tembakau merupakan salah satu komoditas unggulan dalam sektor perkebunan di Indonesia. Beberapa waktu terakhir, hasil panen tembakau di Indonesia turun yang disebabkan oleh beberapa faktor salah satunya adalah serangan penyakit yang mengakibatkan turunnya kualitas daun tembakau. Petani umumnya mengidentifikasi penyakit tanaman berdasarkan gejala yang muncul pada daun tumbuhan tetapi teknik ini kurang efektif jika terjadi kesalahan diagnosis menyebabkan penanganan yang tidak tepat sehingga kondisi tanaman semakin memburuk. Oleh karena itu diperlukan pemanfaatan teknologi untuk meningkatkan keakuratan dalam mengidentifikasi dan mengklasifikasikan penyakit yang menyerang daun tembakau. Penelitian ini menerapkan metode Convolutional Neural Network (CNN) yang dikenal efektif untuk klasifikasi data citra dengan akurasi yang cukup tinggi. Penelitian ini menggunakan 280 data gambar daun tembakau pada setiap kelas, meliputi kelas penyakit bercak daun, keriting daun, lanas, mozaik daun dan kelas daun tembakau yang sehat. Penelitian ini dilakukan dengan augmentasi data, kemudian perancangan arsitektur CNN meliputi 4 convolution layer, dropout layer dan 2 fully connected layer. Pengoptimalan arsitektur dan model dilakukan dengan mengubah parameter arsitektur CNN, serta melakukan hyperparameter pada batch size, learning rate dan jumlah epoch. Penelitian yang dilakukan menghasilkan model terbaik dengan filter size 3 × 3 pada convolution layer keempat, parameter dropout sebesar 0,5 dengan dense layer sebanyak 256. Arsitektur tersebut menggunakan batch size 64, dengan optimizer Adam dan learning rate 0,001 serta epoch sebanyak 55 sehingga menghasilkan model dengan accuracy pelatihan sebesar 93,30% dan accuracy validasi sebesar 92,09% serta akurasi pada pengujian sebesar 92,86%. Model yang dihasilkan dalam penelitian ini dapat mengklasifikasikan seluruh kelas penyakit daun tembakau serta kelas daun tembakau yang sehat. Performa model dapat ditunjukkan melalui evaluasi model dengan nilai parameter berupa precision, recall, dan F1-Score yang cukup baik meskipun terdapat perbedaan nilai karena jumlah TP dan TN dari masing-masing kelas yang berbeda.