Klasifikasi Penyakit Daun Kentang dengan Metode CNN dan RNN

Jihan Rihadatul Aisya; Agi Prasetiadi

doi:10.36787/jti.v17i1.888

Jihan Rihadatul Aisya Institut Teknologi Telkom Purwokerto
Agi Prasetiadi Institut Teknologi Telkom Purwokerto

DOI: https://doi.org/10.36787/jti.v17i1.888

Kata Kunci: Deep Learning, LSTM, Resnet50, Tanaman Kentang, Transfer learning, VGG16

Abstrak

Banyak jenis penyakit dan hama yang menyerang tanaman ketang masih dijumpai oleh para petani di Indonesia. Padahal kentang merupakan jenis sayuran yang tergolong familiar dan termasuk makanan pokok utama. Diperlukan metode klasifikasi untuk menggambarkan dan membandingkan hasil akurasi penyakit kentang. Dalam penelitian ini akan melakukan image processing dengan teknik transfer learning dan dilakukan augmentasi data, menggunakan metode klasifikasi Convolitonal Neural Network (CNN) dengan jenis VGG16 dan ResNet50 dan Recurrent Neural Network (RNN) jenis LSTM untuk mengklasifikasi dan membandingkan hasil akurasi penyakit daun kentang seperti, Late blight (Busuk Daun), Early blight (Bercak Daun), Daun Berlubang, Daun Menggulung dan Daun sehat. Pada penelitian ini mencari model terbaik dengan arsitektur VGG16 dense layer 75 memperoleh nilai tertinggi dengan nilai precision 0.87, recall 0.86, accuracy 0.86 dan f1-score 0.86, sedangkan untuk model dengan arsitektur VGG16 dan LSTM dense layer 100 memperoleh hasil terendah dengan nilai precision 0.21, recall 0.24, accuracy 0.24 dan f1-score 0.21.

Abstract

Many types of diseases that attack potato plants are still found by farmers in Indonesia. Whereas potato is a type of vegetable that is quite familiar and includes the main staple food. A classification method is needed to describe and compare the results of potato disease accuracy. In this study, image processing with transfer learning techniques and data augmentation will be carried out, using the CNN classification method with VGG16 and ResNet50 types and RNN LSTM types to classify and compare the results of potato leaf disease accuracy in five category In this study, looking for the best model with VGG16 dense layer architecture 75 obtained the highest value with a precision value of 0.87, recall 0.86, Accuracy 0.86, and f1-score 0.86, while the model with VGG16 architecture and LSTM dense layer 100 obtained the lowest result with a precision value of 0.21, recall 0.24, Accuracy 0.24 and f1-score 0.21.