Semakin berkembangnya industri pengolahan pangan, kebutuhan jagung meningkat pula. Dalam upaya peningkatan produksi jagung, terdapat salah satu kendala penting yaitu timbulnya gejala penyakit pada daun jagung. Gejala penyakit pada tanaman jagung dapat dilihat dari perubahan morfologi daun jagung. Deteksi penyakit daun jagung umumnya menggunakan empat bagian utama, yaitu preprocessing, ekstraksi ciri warna, ekstraksi ciri tekstur, dan klasifikasi. Pada penelitian ini untuk proses klasifikasi citra daun penyakit tanaman jagung menggunakan metode Convolutional Neural Network AlexNet dan SqueezeNet. Dataset tanaman jagung diperoleh dari dataset publik kaggle. Jumlah data ini sebanyak 3.850 citra yang terdiri dari 4 kelas, yaitu sehat (tidak berpenyakit) berjumlah 1.160, penyakit hawar daun berjumlah 985, penyakit bercak daun berjumlah 513 data, dan penyakit karat daun berjumlah 1.192. Sistem ini dapat mengklasifikasi citra daun tanaman jagung menggunakan CNN AlexNet epoch 50 dengan accuracy 99.1%, precision 99.65%, dan recall 98.9%. Epoch 60 dengan accuracy 100%, precision 100%, dan recall 100%. Sedangkan menggunakan arsitektur SqueezeNet epoch 50 dengan accuracy 95.72%, precision 93.73%, dan recall 94.85%. Epoch 60 dengan accuracy 100%, precision 100%, dan recall 100%.


Deskripsi Lain

As the food processing industry develops, the need for corn also increases. In an effort to increase maize production, there is an important obstacle, namely the appearance of symptoms of corn leaf disease. Symptoms of disease in maize can be seen from changes in the morphology of corn leaves. Corn leaf disease detection generally uses four main parts, namely preprocessing, color feature extraction, texture feature extraction, and classification. In this study, for the classification process of maize leaf disease images using the AlexNet and SqueezeNet Convolutional Neural Network methods. The corn plant dataset was obtained from the Kaggle public dataset. The amount of this data is 3,850 images consisting of 4 classes, namely healthy (not diseased) totaling 1,160, leaf blight totaling 985, leaf spot disease totaling 513 data, and leaf rust disease totaling 1,192. This system can classify the image of corn plant leaves using CNN AlexNet epoch 50 with 99.1% accuracy, 99.65% precision, and 98.9% recall. Epoch 60 with 100% accuracy, 100% precision, and 100% recall. Meanwhile, it uses the SqueezeNet epoch 50 architecture with 95.72% accuracy, 93.73% precision, and 94.85% recall. Epoch 60 with 100% accuracy, 100% precision, and 100% recall.

• Klasifikasi Citra Penyakit Tanaman Jagung Menggunakan Convolutional Neural Network AlexNet dan SqueezeNet