Implementasi Xception Convolutional Neural Network pada Deteksi Penyakit Daun Tanaman Tomat Berbasis Android

Abstract

Produksi tomat nasional meningkat dan menunjukkan peluang bisnis yang tinggi, namun faktor utama penghambat produksi adalah penyakit. Penyakit dianggap sebagai penghambat pertumbuhan dalam budi daya tanaman tomat serta petani mengalami kesulitan dalam mengidentifikasi penyakit pada daun tanaman tomat. Terdapat beberapa penyakit pada daun tomat dan petani kesulitan mengidentifikasi penyakit karena kemiripan warna/bentuk. Identifikasi penyakit sejak dini pada daun tomat diperlukan untuk mengurangi kerugian panen. Penelitian akan melakukan identifikasi penyakit yang terdapat pada daun tanaman tomat dengan menggunakan lima jenis penyakit yaitu Daun Sehat, Busuk Daun, Bercak Daun, Virus Mosaic, dan Virus Daun Kuning Keriting. Metode yang dipilih peneliti yaitu Convolutional Neural Network (CNN) dengan arsitektuk Xception. CNN merupakan neural network yang digunakan untuk pendeteksian suatu citra. Xception merupakan arsitektur yang meningkatkan efisiensi pada proses komputasi. Xception merupakan arsitektur CNN yang meningkatkan efisiensi pada proses komputasi. Arsitektur Xception memiliki keunggulan dalam meningkatkan efisiensi proses komputasi. Hal ini didasari oleh penggunaan depthwise separable convolution dan koneksi residual dalam arsitekturnya, sehingga jumlah parameter yang digunakan pada arsitektur ini relatif kecil dan dapat meningkatkan efisiensi dalam proses komputasi Penelitian ini dilakukan dengan 2500 data citra yang terbagi menjadi 5 kelas dengan masing-masing kelas memiliki 500 data citra. Dalam penelitian ini dilakukan menggunakan pre-trained model serta pembagian data dengan rasio 70:30, 80:10, serta 90:10. Hasil pengujian menggunakan pre-trained model memiliki akurasi tertinggi pada skenario data 90:10 pada epoch 20 dengan tingkat akurasi sebesar 98%, sementara hasil terendah terdapat pada uji skenario data 80:20 pada epoch 15 dengan tingkat akurasi sebesar 95%