JURNAL SAINS DAN INFORMATIKA
Research of Science and Informatic V9.
Vol.
09 No.
http://publikasi.
id/index.
php/jsi p-issn : 2459-9549 e-issn : 2502-096X Klasifikasi Citra Penyakit Daun Tanaman Padi Menggunakan CNN dengan Arsitektur VGG-19 Rahma Shintaa.
Jasrilb.
Muhammad Irsyadc.
Febi Yantod.
Suwanto Sanjayae Teknik Informatika.
Sains dan Teknologi.
UIN Sultan Syarif Kasim Riau, 11950125168@students.
uin-suska.
Teknik Informatika.
Sains dan Teknologi.
UIN Sultan Syarif Kasim Riau, jasril@uin-suska.
Teknik Informatika.
Sains dan Teknologi.
UIN Sultan Syarif Kasim Riau, irsyadtech@uin-suska.
Teknik Informatika.
Sains dan Teknologi.
UIN Sultan Syarif Kasim Riau, febiyanto@uin-suska.
Teknik Informatika.
Sains dan Teknologi.
UIN Sultan Syarif Kasim Riau, suwantosanjaya@uin-suska.
Submitted: 05-04-2023.
Reviewed: 03-05-2023.
Accepted 04-05-2023 http://doi.
org/10.
22216/jsi.
Abstract The decline in rice production is caused by pests and diseases that are common on the leaves.
Many studies related to the classification of types of rice leaf disease have been carried out.
This study applies the Convolutional Neural Network (CNN) method with VGG-19 architecture for image classification of rice leaf disease.
The purpose of this study was to compare the results of testing accuracy from models that use data augmentation and without augmentation.
The data in this study were divided into 4 classes, namely blast, brown spot, leaf smut, and healthy with a total of 440 original data and 1320 augmentation data.
The test results showed that the highest accuracy using data augmentation was 94.
31%, while the highest accuracy without data augmentation was 93.
The results of the research show that augmentation can increase the accuracy of results.
The use of the Nadam optimizer produces a higher accuracy value than Adamax.
The Hyper Parameters used also affect the accuracy of the test results.
Keywords: Adamax Optimizer.
CNN VGG-19.
Data Augmentation.
Nadam Optimizer.
Rice Leaf Classification Abstrak Penurunan produksi padi disebabkan oleh serangan hama dan penyakit yang biasa terdapat pada bagian daun.
Penelitian terkait klasifikasi jenis penyakit daun padi telah banyak dilakukan.
Penelitian ini menerapkan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-19 untuk klasifikasi citra penyakit daun tanaman padi.
Tujuan penelitian ini adalah untuk membandingkan hasil akurasi pengujian dari model yang menggunakan augmentasi dan tanpa augmentasi data.
Data pada penelitian ini terbagi atas 4 kelas, yaitu blast, brown spot, leaf smut, dan healthy dengan jumlah data asli sebanyak 440 dan data augmentasi sebanyak 1320 citra.
Hasil pengujian menunjukkan bahwa akurasi tertinggi menggunakan augmentasi data yang diperoleh sebesar 94.
31%, sedangkan akurasi tertinggi tanpa augmentasi data yang diperoleh sebesar 93.
Hasil penelitian menunjukkan bahwa augmentasi dapat meningkatkan hasil akurasi.
Penggunaan optimizer Nadam menghasilkan nilai akurasi yang lebih tinggi dibandingkan Adamax.
Hyper Parameter yang digunakan juga berpengaruh terhadap hasil akurasi pengujian.
Kata kunci: Augmentasi Data.
Klasifikasi Daun Padi.
Optimizer Adamax.
Optimizer Nadam.
CNN VGG-19 A 2023 Jurnal Sains dan Informatika 30 persen dibandingkan tahun 2020.
Jumlah produksi padi juga menurun yang apabila dikonversikan menjadi Padi memegang peranan penting dalam kontribusi produksi beras terjadi penurunan sebanyak 140,73 ton ekonomi di Indonesia di bidang sektor pertanian.
Beras atau 0,45% dibandingkan tahun 2020 .
yang dihasilkan oleh padi merupakan salah satu sumber pangan yang menjadi makanan pokok dengan konsumsi Produksi padi menurun karena hama atau penyakit terbesar di Indonesia.
Tingkat keberhasilan panen padi yang menyerang tanaman padi.
Pada tahun 2022, padi sangat berpengaruh karena kegagalan produksi padi di Kabupaten Madiun.
Jawa Timur menurun karena ada dapat menyebabkan terjadi gejolak ekonomi dan serangan Organisme Pengganggu Tanaman (OPT) .
Berdasarkan hasil survey Kerangka Sampel Penyakit padi timbul disebabkan oleh bakteri dan jamur Area (KSA) produksi padi menurun pada tahun 2021.
yang menyerang padi, terutama di bagian daun.
Luas panen padi menurun sebanyak 245.
47 hektar atau Masyarakat awam terkadang kesulitan dalam Pendahuluan Rahma Shinta.
Jasril.
Muhammad Irsyad.
Febi Yanto.
Suwanto Sanjaya.
/ Jurnal Sains dan Informatika : Vol.
09 No.
membedakan jenis penyakit yang menyerang daun tentang perbandingan kedua metode tersebut telah tanaman padi .
Gejala penyakit padi yang sudah dilakukan oleh Yudicy Amelia dan kawan-kawan lanjut akan sulit untuk dibedakan .
Penyakit pada .
dengan ujicoba pada data penyakit kanker daun tanaman padi sulit dibedakan menggunakan payudara .
Penelitian tersebut menunjukkan bahwa penglihatan manual serta memiliki banyak kelemahan.
hasil akurasi deep learning lebih tinggi daripada Hal tersebut disebabkan karena penyakit yang machine learning.
Hasil penelitian Alex Sander menyerang daun tanaman padi memiliki bentuk yang Simbolon dan kawan kawan menunjukkan bahwa hasil hampir sama.
Penurunan hasil produksi padi dapat akurasi dicegah apabila teknik pengendalian penyakitnya Convolutional Neural Network (CNN) dengan fdilakukan dengan tepat .
Setiap penyakit memiliki measure sebesar 86% .
Algoritma CNN juga cara pengendalian yang berbeda-beda.
Oleh karena itu berhasil mengungguli SVM dan KNN dengan akurasi dibutuhkan teknologi yang memanfaatkan teknik sebesar 0.
942 berdasarkan penelitian Mohammad Farid pengolahan citra untuk membedakan penyakit pada Naufal tahun 2021 .
Penelitian-penelitian tersebut daun tanaman padi.
menunjukkan bahwa pengolahan citra menggunakan deep learning menghasilkan tingkat akurasi yang lebih Salah satu teknik pengolahan citra yaitu machine tinggi dibandingkan machine learning.
Machine learning merupakan suatu metode komputasi yang menggabungkan statistik dan ilmu Pada CNN terdapat berbagai model arsitektur komputer untuk menghasilkan suatu algoritma yang diantaranya EfficienNet.
MobileNeT.
AlexNet.
VGGNet, dapat mengidentifikasi data inputan .
Selain ResNet.
NasNet, dan arsitekur lainnya.
Shivam.
Surya machine learning terdapat teknik pengolahan citra lain Pratap Singh .
melakukan penelitian dengan judul yaitu deep learning yang lebih baik dibandingkan AuRice Infection Recognition using Deep Neural machine learning.
Pada penelitian menggunakan Network SystemsAy.
Hasil penelitian tersebut metode Convolutional Neural Network (CNN) dengan menunjukkan bahwa Arsitektur VGG-19 berhasil arsitektur VGG-19 untuk klasifikasi citra penyakit daun mengungguli arsitektur LeNet5 dan MobileNet-V2 Penelitian ini menerapkan augmentasi data karena dengan akurasi sebesar 77,09% .
Djarot Hindarto keterbatasan jumlah data yang diperoleh.
Augmentasi dan Handri Santoso juga telah melakukan penelitian data yang digunakan yaitu height shift, width shift, dan untuk membandingkan beberapa algoritma deep shear range.
Penelitian ini juga menggunakan Hyper learning pada tahun 2021.
Hasil penelitan Parameter Optimization yang bertujuan untuk menunjukkan bahwa VGG-16 dan VGG-19 mengoptimalkan kinerja algoritma yang digunakan.
menghasilkan akurasi yang lebih bagus dibandingkan DenseNet121 dan NasNetLarge.
VGG-19 juga berhasil Tujuan penelitian ini yaitu untuk membandingkan mengungguli DenseNet121.
NasNetLarge, dan VGGtinggi tingkat akurasi menggunakan CNN arsitektur 16 dengan akurasi sebesar 85,05% .
PenelitianVGG-19 serta hyperparameter untuk klasifikasi penelitian tersebut menunjukkan bahwa tingkat akurasi penyakit pada daun tanaman padi dengan augmentasi yang dihasilkan oleh VGG-19 berhasil mengungguli data atau tanpa augmentasi data.
beberapa algoritma deep learning lainnya.
Pada penelitian ini akan menerapkan algoritma VGG-19 untuk membangun model klasifikasi.
Tinjauan Pustaka/Penelitian Sebelumnya Salah satu teknik pengolahan citra yaitu machine Penelitian yang dilakukan Shivam .
memberikan Beberapa penelitian terkait membedakan saran penyakit daun tanaman padi yang memanfaatkan Augmentasi pengolahan citra telah dilakukan diantaranya klasifikasi menggunakan K-Nearest Neighbor (KNN) .
Raj merupakan suatu cara yang dilakukan untuk Kumar dan kawan kawan juga melakukan penelitian memperbanyak jumlah citra yang tujuannya yang menggunakan metode Support Vector Machine meningkatkan akurasi penelitian yang dilakukan.
(SVM).
Nayve Bayes.
Logistic Regressin.
Random Penelitian augmentasi telah dilakukan oleh Victor dan Forest.
Decission Tree.
Linear Discriminant Analysis kawan kawan pada tahun 2021.
Penelitian tersebut (LDA), dan Principal Component Analysis (PCA) .
menggunakan augmentasi berupa horizontal flip.
Serta klasifikasi peyakit daun pada padi dengan horizontal shift, vertical shift, shear range, dan zoom implementasi Gray Level Co-Occurance Matrix range.
Hasil penelitian menunjukkan bahwa akurasi (GLCM) .
Penelitian tersebut dilakukan oleh Arif tertinggi yang diperoleh sebesar 93,6% .
Akbar Huda.
Bayu Setiaji, dan Fajar Rosyid Hidayat Augmentasi juga telah digunakan dalam meneliti pada tahun 2022.
Data citra yang digunakan pada penyakit padi pada tahun 2022 .
Jenis augmentasi yang digunakan pada penelitian tersebut yaitu penelitian tersebut sebanyak 240 citra.
translation, arbitrary rotation, shearing, scaling, dan Selain machine leraning juga terdapat metode lain flipping.
Hasil akurasi sebesar 92,61% juga diperoleh yaitu deep learning yang lebih baik dalam pengenalan dengan penggunaan augmentasi pada penelitian.
citra dibandingkan machine learning.
Penelitian Penelitian yang menerapkan augmentasi horizontal flip.
Rahma Shinta.
Jasril.
Muhammad Irsyad.
Febi Yanto.
Suwanto Sanjaya.
/ Jurnal Sains dan Informatika : Vol.
09 No.
width shift, rotation, zoom range, shear range, dan fill augmentasi dilakukan sesuai dengan tahapan penelitian mode menunjukkan hasil akurasi pelatihan terbaik pada gambar 1.
sebesar 96,37% .
Augmentasi juga digunakan pada penelitian lain yaitu shift, shear rangeArescale, rotation 3.
1 Pengumpulan Data range, dan fill mode .
Hasil penelitian tersebut menunjukkan bahwa akurasi model yang menggunakan Data yang dikumpulkan yaitu citra penyakit daun augmentasi data lebih tinggi dibandingkan tidak tanaman padi yang terdiri atas empat kelas yaitu brown menggunakan augmentasi data.
Pada penelitian ini spot, blast, leaf smut, dan healthy.
Data tersebut berupa akan menggunakan augmentasi data dan tanpa data sekunder yang didapatkan dari website penyedia augmentasi data untuk membandingkan hasil tingkat dataset yaitu Kaggle .
, .
dan UCI Mahchine akurasi yang didapatkan.
Learning .
Data citra yang digunakan sebanyak 440 Pada penelitian ini akan menggunakan metode CNN arsitektur VGG-19 dengan augmentasi berupa height 3.
2 Preprocessing shift, width shift, dan shear range serta kombinasi Hyper Parameter Optimization.
Penggunaan Hyper Setelah dilakukan tahapan pengumpulan data maka Parameter Optimization untuk tahapan selanjutnya yaitu tahap preprocessing.
Tujuan mengoptimalkan kinerja dari suatu algoritma.
tahap ini untuk menghasilkan citra yang dapat diproses Penelitian hyperparameter dengan mudah.
Jenis Preprocessing yang dilakukan optimization telah dilakukan oleh Jia Wu dan kawan yaitu cropping dan resize.
kawan pada tahun 2019.
Hasil penelitian menunjukkan penggunaan hyperparameter optimization dapat a.
Cropping mencapai akurasi yang tinggi dalam beberapa sampel Cropping bertujuan untuk menghilangkan sudut .
Parameter yang akan digunakan yaitu batch size, citra yang tidak menggambarkan pola dari citra.
dense, learning rate, serta penggunaan optimizer Tahap ini menggunakan kodingan python untuk Adamax dan Nadam untuk meningkatkan hasil akurasi.
Citra yang terlalu jauh pengambilan gambarnya dan tidak terletak dibagian Metodologi Penelitian tengah akan di-crop secara manual terlebih dahulu sehingga pola penyakit pada citra tidak hilang.
Kemudian keseluruhan citra di-crop menggunakan Gambar 1 merupakan tahapan penelitian yang akan dilakukan untuk klasifikasi citra penyakit daun tanaman Resize padi pada penelitian ini.
Resize bertujuan untuk menyamakan ukuran citra sehingga memudahkan dan mempercepat proses perhitungan dan pengenalan citra .
Ukuran citra diperkecil menjadi 224 x 224 piksel.
Ukuran tersebut sesuai dengan ukuran input dari algoritma VGG-19.
Tahap resize menggunakan kodingan python untuk menjalankannya.
Berikut ini merupakan sampel data citra asli pada Gambar 2.
Sampel Citra Asli 3 Augmentasi Tahap augmentasi tidak dilakukan untuk proses klasifikasi yang menggunakan data asli.
Augmentasi merupakan suatu cara yang dilakukan untuk Gambar 1.
Tahapan Penelitian memperbanyak jumlah citra karena keterbatasan Pada penelitian ini terdapat dua proses klasifikasi yaitu jumlah citra.
Tujuan augmentasi untuk meningkatkan proses yang menggunakan augmentasi data dan tanpa akurasi penelitian yang dilakukan.
Proses augmentasi augmentasi data.
Pada proses yang menggunakan data dilakukan dengan memanfaatkan fungsi Image Data asli, tahapan augmentasi tidak dilakukan.
Setelah tahap Generator dari Tensorflow.
preprocessing maka lanjut ke tahap deep learning.
Adapun teknik augmentasi yang digunakan sebagai Pada proses yang menggunakan data augmentasi, tahap berikut:
Rahma Shinta.
Jasril.
Muhammad Irsyad.
Febi Yanto.
Suwanto Sanjaya.
/ Jurnal Sains dan Informatika : Vol.
09 No.
Brownspot
Leafsmut
Augmentasi
Latih
Uji
Asli
Latih
Uji
Augmentasi
Latih
Uji
Asli
Latih
Uji
Latih
Uji
Asli
Latih
Uji
Augmentasi
Latih
Uji
Augmentasi
Healthy Convolutional Neural Network (CNN) Softmax
Fc8 1000
Size:7 Fc7 4096
Pool /2 Fc6 4096
3 X 3 Conv15, 512
Block 5
3 X 3 Conv16, 512
3 X 3 Conv14, 512
Pool /2 3 X 3 Conv13, 512
Size:14 Block 4
3 X 3 Conv12, 512
Size:28 3 X 3 Conv11, 512
Pool /2 3 X 3 Conv9, 512
3 X 3 Conv10, 512
3 X 3 Conv7, 256
Block 3
3 X 3 Conv8, 256
3 X 3 Conv5, 256
Block 2
3 X 3 Conv6, 256
Pool /2 Size:56 Size:112 Block 1
Uji
3 X 3 Conv4, 128
Latih
Pool /2 Asli
3 X 3 Conv3, 128
Blast
Pembagian Data
90:10
80:20
70:30
3 X 3 Conv2, 64 Jenis Data Size:224 Jenis Citra Size:224 Data Input Tabel 1.
Pembagian Data Citra 3 X 3 Conv1, 64 Width Shift, merupakan pergeseran lebar pada CNN adalah algoritma yang bekerja dengan cara Pergeseran tersebut bergeser sepanjang menerima masukan berupa gambar.
CNN
garis vertikal pada gambar.
Pada penelitian ini merupakan metode machine learning yang menggunakan augmentasi width_shift_range = 0.
dikembangkan dari MultiLayer Perceptron (MLP) Sehingga gambar akan digeser secara vertikal yang dirancang dapat mengolah data 2D .
CNN
sepanjang 20%.
tergolong Deep Neural Network karena banyak Height Shift, yaitu pergeseran panjang pada gambar.
digunakan pada data citra dan memiliki kedalaman Pergeseran tersebut bergeser sepanjang garis jaringan yang tinggi .
Cara kerja CNN mirip horizontal pada gambar.
Pada penelitian ini dengan jaringan syaraf, tetapi perbedaanya adalah menggunakan augmentasi height_shift_range = 0.
bahwa setiap lapisan pada CNN memiliki dua Sehingga gambar akan digeser secara vertikal dimensi yang kemudian dikonvolusi dengan sepanjang 20%.
masukan dari lapisan tersebut.
Lapisan CNN Shear range, yaitu proses pemiringan pada lebar terdiri atas convolutional layer, pooling layer, dan dan tinggi pada gambar.
Shear range fully connected layer.
mengakibatkan terjadinya perubahan gambar b.
VGG-19
menjadi bentuk jajar genjang.
Pada penelitian ini VGG (Visual Geometry Group-.
merupakan menggunakan augmentasi sehar_range = 0.
perkembangan dari arsitektur VGG-16 yang memiliki 19 lapisan mendalam sehingga kinerja Berikut ini adalah sampel data citra augmentasi pada yang dihasilkan menjadi lebih baik.
VGG-19
merupakan arsitektur CNN yang terdiri atas 16 lapisan convolutional layer beserta aktivasi ReLU dan 3 lapisan fully connected layer beserta aktivasi ReLU.
Pada setiap lapisan terakhir convolutional Gambar 3.
Sampel Citra Augmentasi terdapat lapisan max pooling untuk mengurangi ukuran spasial dari convolutional layer sebelumnya.
4 Deep Learning Lapisan input menggunakan ukuran 224 x 224 piksel, dan lapisan output diganti dengan fungsi Setelah tahap augmentasi maka selanjutnya adalah aktivasi softmax yang menunjukkan hasil tahap pembagian data dari 440 citra asli dan 1320 citra Data tersebut dibagi menjadi data latih .
dan data uji .
Perbandingan yang Berikut ini merupakan arsitektur VGG-19 yang digunakan untuk data train dan testing yaitu 70:30, digunakan pada penelitian ini 80:20, dan 90:10.
Block 6 Gambar 4.
Arsitektur VGG-19 Hyper Parameter Optimization Pada tahap ini bertujuan untuk menentukan kombinasi parameter yang paling bagus untuk mendapatkan hasil akurasi maksimum dari Kombinasi Hyper Parameter Optimization yang akan digunakan berupa batch size, dense, learning rate, serta optimizer Adamax dan Nadam.
4 Deep Learning Setelah eksperimen selesai dilakukan dengan berbagai scenario pengujian, maka hasil eksperimen tersebut kemudian dilakukan tahap evaluasi.
Tahap ini bertujuan untuk mengukur performa model yang telah dihasilkan dari tahap sebelumnya.
Confusion matrix merupakan matriks berukuran N x N dengan N adalah Rahma Shinta.
Jasril.
Muhammad Irsyad.
Febi Yanto.
Suwanto Sanjaya.
/ Jurnal Sains dan Informatika : Vol.
09 No.
Split
Data
90:10
Learnin
g Rate
0,01
Den
Batch
Size
Optimize Adamax
Accuracy Asli
Aug
90:10
0,01
Nadam
90:10
0,01
Adamax
90:10
0,01
Nadam
90:10
0,01
Adamax
90:10
0,01
Nadam
90:10
0,001
Adamax
90:10
0,001
Nadam
90:10
0,001
Adamax
90:10
0,001
Nadam
90:10
0,001
Adamax
90:10
0,001
Nadam
90:10
0,001
Adamax
90:10
0,001
Nadam
90:10
0,0001
Adamax
90:10
0,0001
Nadam
90:10
0,0001
Adamax
Recall 90:10 Recall merupakan matrix yang digunakan untuk 90:10 menghitung jumlah prediksi pada kelas yang 90:10 0,0001 Nadam
0,0001
Adamax
0,0001
Nadam
90:10
0,0001
Adamax
90:10
0,0001
Nadam
80:20
Adamax
80:20
Nadam
80:20
Adamax
80:20
Nadam
80:20
Adamax
80:20
Nadam
80:20
Adamax
80:20
Nadam
93,18
80:20
0,01
Adamax
80:20
0,01
Nadam
80:20
0,01
Adamax Proses eksperimen pada penelitian ini menggunakan Google Colab dalam menjalankan modelnya.
Bahasa pemrograman yang digunakan yaitu python serta penggunaan library Keras dan Tensorflow.
Jumlah eksperimen keseluruhan sebanyak 192 eksperimen.
80:20
0,01
Nadam
80:20
0,01
Adamax
80:20
0,01
Nadam
80:20
0,01
Adamax
80:20
0,01
Nadam Tabel 2.
Skenario Pengujian 80:20 0,001 Adamax
80:20
0,001
Nadam
80:20
0,001
Adamax
80:20
0,001
Nadam jumlah kelas target yang akan dievaluasi.
Cara kerja Confusion matrix yaitu melakukan perbandingan antara nilai prediksi dengan nilai sebenarnya.
Berikut nilai untuk mengevaluasi model klasifikasi.
Accuracy Accuracy merupakan matrix yang digunakan untuk menghitung perbandingan keseluruhan prediksi benar terhadap keseluruhan nilai kelas.
yaycaycaycycycaycayc = ycNycE ycNycA ycNycE ycNycA yaycE yaycA Precission Precission merupakan matrix yang digunakan untuk menghitung presisi atau data prediksi positif dari keseluruhan hasil yang diprediksi ycEycyceycaycnycycycnycuycu = ycIyceycaycaycoyco = .
ycNycE ycNycE yaycE ycNycE ycNycE yaycA F1-Score F1-Score merupakan perbandingan rata-rata precission dan recall yang dibobotkan.
Rentang pembobotan F1-score adalah 0 sampai 1 dengan 0 adalah nilai terburuk dan 1 adalah nilai terbaik.
ya1 ycIycaycuycyce = 2 ycu
ycyycyceycaycnycycycnycuycu ycu ycyceycaycaycoyco
ycyycyceycaycnycycycnycuycu ycyceycaycaycoyco
Hasil dan Pembahasan Split
Data
90:10
Learnin
g Rate
Den
Batch
Size
Optimize Adamax
Accuracy Asli
Aug
90:10
Nadam
80:20
0,001
Adamax
90:10
Adamax
86,36
80:20
0,001
Nadam
90:10
Nadam
80:20
0,001
Adamax
90:10
Adamax
80:20
0,001
Nadam
90:10
Nadam
80:20
0,0001
Adamax
90:10
Adamax
80:20
0,0001
Nadam
90:10
Nadam
80:20
0,0001
Adamax
90:10
0,01
Adamax
80:20
0,0001
Nadam
90:10
0,01
Nadam
80:20
0,0001
Adamax Rahma Shinta.
Jasril.
Muhammad Irsyad.
Febi Yanto.
Suwanto Sanjaya.
/ Jurnal Sains dan Informatika : Vol.
09 No.
Den
Batch
Size
Optimize Nadam
Accuracy Asli
Aug
80:20
0,0001
Adamax
80:20
0,0001
Nadam
70:30
Adamax
70:30
Nadam
70:30
Adamax
70:30
Nadam
70:30
Adamax
70:30
Nadam
70:30
Adamax
70:30
Nadam
70:30
0,01
Adamax
70:30
0,01
Nadam
70:30
0,01
Adamax
70:30
0,01
Nadam
70:30
0,01
Adamax
70:30
0,01
Nadam
70:30
0,01
Adamax
70:30
0,01
Nadam
70:30
0,001
Adamax
70:30
0,001
Nadam
70:30
0,001
Adamax
70:30
0,001
Nadam
70:30
0,001
Adamax
70:30
0,001
Nadam
70:30
0,001
Adamax
70:30
0,001
Nadam
70:30
0,0001
Adamax
70:30
0,0001
Nadam
70:30
0,0001
Adamax
70:30
0,0001
Nadam
70:30
0,0001
Adamax
70:30
0,0001
Nadam
70:30
0,0001
Adamax
70:30
0,0001
Nadam
Pengujian dengan Pembagian Data 90:10 Accuracy Learnin
g Rate
0,0001
100,00%
80,00%
60,00%
40,00%
20,00%
0,00%
0,01
0,001
0,0001
Learning Rate Original Augmentasi Gambar 5.
Grafik Hasil Pengujian dengan Pembagian Data 90:10 Gambar 5 menunjukkan bahwa pengujian yang menggunakan citra asli menghasilkan akurasi tertinggi pada eksperimen ke-18 dengan parameter berupa learning rate 0.
001, dense 32, batch size 64, dan optimizer Nadam.
Pengujian tersebut menghasilkan 18%, precission 100%, recall 81.
81%, dan fi score 89.
Sedangkan pengujian menggunakan data citra augmentasi akurasi tertingginya diperoleh pada eksperimen ke-5 dengan parameter berupa learning rate 0.
1, dense 128, batch size 64, dan optimizer Adamax.
Pengujian tersebut menghasulkan 93%, precission 97.
05%, recall 100.
dan fi score 98.
Pada grafik tersebut dapat dilihat bahwa hasil akurasi yang menggunakan augmentasi data lebih tinggi dibandingkan hasil akurasi tanpa augmentasi data.
Hasil akurasi menggunakan dibandingkan data asli
Pengujian dengan Pembagian Data 80:20 100,00% 80,00% Accuracy Split
Data
80:20
60,00%
40,00%
20,00%
0,00%
Tabel 2 menunjukkan hasil pengujian menggunakan 0,01 0,001 0,0001 citra asli memiliki akurasi tertinggi diperoleh pada Learning Rate eksperimen ke-18 dengan pembagian data 90:10 serta parameter berupa learning rate 0.
001, dense 32, batch Original Augmentasi size 64, dan optimizer Nadam.
Pengujian tersebut menghasilkan accuracy 93.
18%, precission 100%.
Gambar 6.
Grafik Hasil Pengujian dengan Pembagian Data 80:20 81%, dan fi score 89.
Sedangkan hasil Gambar 6 menunjukkan bahwa pengujian pengujian menggunakan data citra augmentasi akurasi tertingginya diperoleh pada eksperimen ke-3 yang yang menggunakan citra asli memiliki akurasi tertinggi pembagian datanya sebesar 80:20 serta parameter pada eksperimen ke-2 dengan parameter berupa berupa learning rate 0.
1, dense 32, batch size 128, dan learning rate 0.
1, dense 32, batch size 64, dan optimizer Adamax.
Pengujian tersebut menghasilkan optimizer Nadam.
Pengujian tersebut menghasilkan 31%, precission 91.
66%, recall 100%, dan accuracy 85.
22%, precission 88.
00%, recall 100%, dan fi score 93.
Pengujian menggunakan data citra fi score 95.
augmentasi memiliki akurasi tertinggi pada eksperimen ke-1 dengan parameter berupa learning rate 0.
1, dense 32, batch size 64, dan optimizer Adamax.
Pengujian Rahma Shinta.
Jasril.
Muhammad Irsyad.
Febi Yanto.
Suwanto Sanjaya.
/ Jurnal Sains dan Informatika : Vol.
09 No.
Accuracy tersebut menghasulkan accuracy 94.
31%, precission Gambar 8 menunjukkan hasil accuracy dan 00%, recall 100.
0%, dan fi score 93.
Pada loss dari data train dan valid pada pengujian citra asli.
grafik tersebut dapat dilihat bahwa hasil akurasi yang Garis berwarna biru menunjukkan pergerakan dari data tinggi train, sedangkan garis berwarna orange menunjukkan dibandingkan hasil akurasi tanpa augmentasi data.
pergerakan dari data valid.
Hasil tersebut diperoleh Hasil akurasi menggunakan augmentasi data meningkat pada eksperimen ke-18 dengan parameter berupa sebesar 9,09% dibandingkan data asli learning rate 0.
001, dense 32, batch size 64, dan optimizer Nadam.
Grafik tersebut menunjukkan bahwa nilai accuracy yang diperoleh pada training data citra Pengujian Dengan Pembagian Data 70:30 asli naik hingga epoch 50 yaitu sebesar 0.
Nilai 100,00% akurasi tersebut tidak terlalu bagus karena nilainya belum mendekati angka 1.
Grafik tersebut juga 80,00% menunjukkan bahwa nilai loss yang diperoleh pada 60,00% training data citra augmentasi terus menurun hingga 40,00% epoch 50 yaitu sebesar 0.
Nilai loss tersebut tidak 20,00% terlalu bagus karena nilainya belum mendekati angka 0.
0,00%
0,01
0,001
0,0001
Learning Rate
ORIGINAL
AUGMENTASI
Gambar 7.
Grafik Hasil Pengujian dengan Pembagian Data 70:30 Grafik 7 menunjukkan bahwa pengujian yang menggunakan citra asli memiliki akurasi tertinggi pada eksperimen ke-18 dengan parameter berupa learning 001, dense 32 batch size 64, dan optimizer Nadam.
Pengujian yang menggunakan citra asli tersebut menghasilkan accuracy 78.
78%, precission 23%, recall 90.
32%, dan fi score 89.
Pengujian menggunakan data citra augmentasi memiliki akurasi tertinggi pada eksperimen ke-1 dengan parameter berupa learning rate 0.
1, dense 32, batch size 64, dan Gambar 9.
Grafik Model Accuracy dan Loss pada Training Data Citra Augmentasi optimizer Adamax.
Pengujian yang menggunakan citra augmentasi tersebut menghasilkan accuracy 93.
Gambar 9 menunjukkan hasil accuracy dan 05%, recall 97.
97%, dan fi score 96.
loss dari data train dan valid pada pengujian citra Pada grafik tersebut dapat dilihat bahwa hasil akurasi augmentasi.
Garis berwarna biru menunjukkan yang menggunakan augmentasi data lebih tinggi pergerakan dari data train, sedangkan garis berwarna dibandingkan hasil akurasi tanpa augmentasi data.
orange menunjukkan pergerakan dari data valid.
Hasil Hasil akurasi menggunakan augmentasi data meningkat tersebut diperoleh pada eksperimen ke-1 dengan 65% dibandingkan data asli parameter berupa learning rate 0.
1, dense 32, batch Gambar 8.
Grafik Model Accuracy dan Loss pada Training Data Citra Asli size 64, dan optimizer Adamax.
Grafik tersebut menunjukkan bahwa nilai accuracy yang diperoleh pada training data citra asli naik hingga epoch 50 yaitu Nilai akurasi tersebut bagus karena nilainya sudah mendekati angka 1.
Grafik tersebut juga menunjukkan bahwa nilai loss yang diperoleh pada training data citra augmentasi terus menurun hingga epoch 50 yaitu sebesar 0.
Nilai loss tersebut juga bagus karena nilainya sudah mendekati angka 0.
Berdasarkan eksperimen yang telah dilakukan, diperoleh hasil bahwa parameter mempengaruhi nilai Pengujian yang menggunakan citra data asli mencapai hasil yang tinggi pada saat menggunakan optimizer Nadam, dense 32, batch size 64.
Pengujian yang menggunakan citra data augmentasi mencapai hasil yang tinggi pada saat menggunakan optimizer Adamax, batch size 64, leraning rate 0.
Nilai akurasi yang dihasilkan pada penggunaan dense 32 lebih tinggi dibandingkan dense 128.
Pada batch size 64 nilai Rahma Shinta.
Jasril.
Muhammad Irsyad.
Febi Yanto.
Suwanto Sanjaya.
/ Jurnal Sains dan Informatika : Vol.
09 No.
akurasinya juga lebih tinggi daripada batch size 128.
Nilai akurasi learning rate dengan nilai 0.
1 lebih tinggi dibandingkan learning rate lainnya.
Hasil penelitian .
menunjukkan bahwa penggunaan augmentasi dapat meningkatkan hasil akurasi pengujian.
Penggunaan hyperparameter optimization juga mempengaruhi hasil akurasi penelitian.
Semakin kecil parameter dense dan batch size yang digunakan, maka semakin tinggi nilai Semakin besar learning rate yang .
digunakan, maka semakin tinggi nilai akurasinya.
Kesimpulan Penelitian klasifikasi citra penyakit daun tanaman padi .
ini menggunakan metode Convolutional Neural Network (CNN) dengan asritektur VGG-19 serta penggunaan augmentasi berupa height shift, width shift, dan shear range.
Data citra yang digunakan berupa data asli sebanyak 440 citra dan data augmentasi sebanyak 1320 citra yang terdiri atas empat kelas yaitu blast, brown spot, leaf smut, dan healthy.
Nilai akurasi .
menggunakan citra augmentasi tertinggi yang diperoleh yaitu sebesar 94.
31%, precission 88.
00%, recall 0%, dan fi score 93.
Nilai akurasi tanpa augmentasi tertinggi yang diperoleh yaitu accuracy 18%, precission 100%, recall 81.
81%, dan fi score Hasil penelitian menunjukkan bahwa .
augmentasi dapat meningkatkan hasil akurasi.
Penggunaan hyperparameter optimization juga mempengaruhi hasil akurasi penelitian.
Untuk menggunakan data citra yang lebih banyak agar akurasi yang dihasilkan lebih tinggi, serta menggunakan .
augmentasi lain yang lebih bagus.
Semakin kecil parameter dense dan batch size yang digunakan, semakin tinggi hasil akurasi yang diperoleh.
Semakin besar learning rate yang digunakan, semakin tinggi hasil akurasi yang didapatkan.
Daftar Rujukan .
Badan Pusat Statistik.
AuLuas Panen dan Produksi Padi di Indonesia 2021,Ay Badan Pusat Statistik.
Jul.
https://w.
id/publication/2022/07/12/ .
c52d5cebe530c363d0ea4198/luas-panen-danproduksi-padi-di-indonesia-2021.
ccessed Oct.
22, 2.
Stevani.
AuProduksi padi di Madiun turun akibat serangan OPT,Ay ANTARAJATIM.
Aug.
10, 2022.
Walascha.
Febriana.
Saputri.
Sri Nur Haryanti.
Tsania, and Y.
Sanjaya.
AuInventarisasi Jenis Penyakit yang Menyerang .
Daun Tanaman Padi (Oryza sativa L.
)Ay.
Jinan and B.
Hayadi.
AuKlasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptro.
,Ay Journal of Computer and Engineering Science, vol.
1, no.
2, 2022.
Anggiratih.
Siswanti.
Octaviani, and Sari.
AuKlasifikasi Penyakit Tanaman Padi Menggunakan Model Deep Learning Efficientnet B3 dengan Transfer Learning,Ay Jurnal Ilmiah SINUS, vol.
19, no.
1, p.
Jan.
2021, doi: 10.
30646/sinus.
Hernando.
Ikhsan.
Avaldo, and Ismael.
AuImplementasi Fuzzy Logic pada Alat Pemisah Buah Tomat,Ay Jurnal Sains dan Informatika, 55Ae61, 22216/jsi.
Saputra.
Suharyanto.
Wasiyanti.
Saefudin.
Supriyatna, and A.
Wibowo.
AuRice Leaf Disease Image Classifications Using KNN Based on GLCM Feature Extraction,Ay J Phys Conf Ser, vol.
1641, no.
Nov.
1088/17426596/1641/1/012080.
Kumar.
Baloch.
Baseer Buriro, and J.
Bhatti.
AuFungal Blast Disease Detection in Rice Seed using Machine Learning,Ay IJACSA) International Journal of Advanced Computer Science and Applications, vol.
12, no.
2, 2021,
[Onlin.
Available: w.
Huda.
Setiaji, and F.
Hidayat.
AuImplementasi Gray Level Co-Occurrence Matrix (GLCM) untuk Klasifikasi Penyakit Daun Padi,Ay Jurnal Pseudocode, vol.
9, 2022,
[Onlin.
Available:
id/index.
php/pseudocode Amelia.
Eosina, and F.
Setiawan.
AuPerbandingan Metode Deep Learning dan Machine Learning untuk Klasifikasi (Ujicoba pada Data Penyakit Kanker Payudar.
,Ay INOVA-TIF, vol.
1, no.
2, 2018, doi:
32832/inova-tif.
Simbolon.
Pangaribuan, and N.
Aruan.
AuAnalisis Sentimen Aplikasi E-Learning Selama Pandemi Covid-19 Menggunakan Metode Support Vector Machine Convolutional Neural Network,Ay SEMINASTIKA, vol.
3, no.
1, pp.
16Ae25.
Nov.
2021, doi: 10.
47002/seminastika.
Naufal.
AuAnalisis Perbandingan Algoritma SVM.
KNN, dan CNN untuk Klasifikasi Citra Cuaca,Ay Jurnal Teknologi Informasi dan Ilmu Komputer, vol.
8, no.
2021, doi: 10.
25126/jtiik.
Pratap Singh and I.
Kumar.
AuRice Plant Infection Recognition using Deep Neural Network Systems.
Ay [Onlin.
Available:
https://w.
Hindarto and H.
Santoso.
AuPlat Nomor Kendaraan dengan Convolution Neural Network,Ay JII : Jurnal Inovasi Informatika Universitas Pradita, vol.
Sep.
Victor Ikechukwu.
Murali.
Deepu, and Shivamurthy.
AuResNet-50 vs VGG-19 vs Rahma Shinta.
Jasril.
Muhammad Irsyad.
Febi Yanto.
Suwanto Sanjaya.
/ Jurnal Sains dan Informatika : Vol.
09 No.
training from scratch: A comparative analysis of the segmentation and classification of Pneumonia from chest X-ray images,Ay Global Transitions Proceedings, vol.
2, no.
2, pp.
375Ae Nov.
1016/j.
Malvade.
Yakkundimath.
Saunshi.
Elemmi, and P.
Baraki.
AuA comparative analysis of paddy crop biotic stress classification using pre-trained deep neural networks,Ay Artificial Intelligence Agriculture, vol.
6, pp.
167Ae175, 2022, doi:
1016/j.
NisaAo.
Puspaningrum, and H.
Maulana.
AuPenerapan Metode Convolutional Neural Network untuk Klasifikasi Penyakit Daun Apel pada Imbalanced Data,Ay Seminar Nasional Informatika Bela Negara, vol.
1, 2020.
Pradnya D and A.
Kusumaningtyas.
AuAnalisis Pengaruh Data Augmentasi Pada Klasifikasi Bumbu Dapur Menggunakan Convolutional Neural Network,Ay JURNAL MEDIA INFORMATIKA BUDIDARMA, vol.
4, p.
Oct.
2022, doi:
30865/mib.
Wu.
Chen.
Zhang.
Xiong.
Lei, and S.
Deng.
AuHyperparameter optimization for machine learning models based on Bayesian optimization,Ay Journal of Electronic Science and Technology, vol.
17, no.
26Ae40.
Mar.
11989/JEST.
1674-862X.
Vbookshelf.
AuRice Leaf Disease Dataset,Ay Kaggle, https://w.
com/datasets/vbookshelf/ri ce-leaf-diseases .
ccessed Oct.
19, 2.
Riyan Shayaz.
AuRice Leaf,Ay Kaggle, 2020.
https://w.
com/datasets/shayanriyaz/r iceleafs .
ccessed Oct.
19, 2.
and V.
Shah.
AuRice Leaf Diseases Data Set,Ay UCI Machine Learning, https://archive.
edu/ml/datasets/rice leaf diseases .
ccessed Oct.
19, 2.
Nurona Cahya et al.
AuKlasifikasi Penyakit Mata Menggunakan Convolutional Neural Network ( CNN),Ay Jurnal Sistem Informasi, 10, pp.
618Ae626, 2021, [Onlin.
Available: http://sistemasi.
Habib Hawari.
Fadillah.
Rifqi Alviandi, and T.
Arifin.
AuKlasifikasi Penyakit Padi
Menggunakan Algoritma
CNN
(Convolutional Neural Networ.
,Ay JURNAL RESPONSIF, vol.
4, no.
2, pp.
184Ae189, 2022, [Onlin.
Available:
https://ejurnal.
id/index.
php/jti Alhafis.
Jasril.
Sanjaya.
Syafria, and E.
Budianita.
AuKlasifikasi Citra Daging Sapi dan Daging Babi Menggunakan Ekstraksi Ciri dan Convolutional Neural Network,Ay JURIKOM (Jurnal Riset Kompute.
, vol.
9, no.
Jun.
30865/jurikom.