Sistem Pakar Diagnosa Penyakit Pada Tanaman Semangka Merah Menggunakan Metode CNN Berbasis Android

Muhammad Yusuf, Dewi Astria Faroek, Moh Saddam S Pattanang, Anggun M, Ristanti Salam

Abstract


Semangka, yang berasal dari daerah Afrika bagian selatan, adalah tanaman merambat dengan kulit keras berwarna hijau tua serta garis-garis hijau muda. Daging buahnya berair dan berwarna merah atau kuning. Beberapa jenis semangka yang dapat ditanam di Indonesia antara lain semangka Sengkarin, semangka Bojonegoro, semangka Sweet Beauty, Golden Crown, New Dragon, Farmer Giant, dan Yellow Baby. Budidaya semangka di Indonesia telah mengalami perkembangan pesat, namun tantangan utama dalam menanam semangka adalah munculnya hama dan penyakit yang memengaruhi keberhasilan budidaya. Untuk mengatasi masalah ini, dikembangkan aplikasi berbasis Android yang menggunakan metode Central Neural Network (CNN) untuk mendeteksi jenis penyakit pada tanaman semangka. Aplikasi ini bertujuan memudahkan petani dan masyarakat dalam mengidentifikasi hama dan penyakit pada tanaman semangka tanpa harus menunggu atau bergantung pada pengetahuan ahli. Penelitian menunjukkan keberhasilan dalam deteksi penyakit semangka, dengan menggunakan convolutional neural network (CNN) arsitektur VGG16 yang mencapai tingkat akurasi 98% untuk precission, 98% untuk recall, dan 98% untuk f1-score. Hasil ini menunjukkan bahwa deteksi penyakit pada tanaman semangka berhasil.

Keywords


Android; CNN; Semangka; Deep Learning

Full Text:

PDF

References


M. I. Pati, S. Defit, and G. W. Nurcahyo, “Sistem Pakar dengan Metode Forward Chaining untuk Diagnosis Penyakit dan Hama Tanaman Semangka,” J. Sistim Inf. dan Teknol., vol. 2, pp. 102–107, 2020, doi: 10.37034/jsisfotek.v2i4.30.

H. Mugirahayu;Taufiq;Soegiarto, “Sistem Pakar Diagnosa Penyakit Tanaman Semangka Menggunakan Metode Dempster Shafer Berbasis Web,” J. Sist. Inf. Kaputama, vol. 2, no. 2, pp. 39–47, 2016.

A. W. Mariana, “Sistem Pakar Diagnosis Penyakit Tanaman Semangka Menggunakan Metode Certainty Factor,” J. Mhs. Tek. Inform., vol. 3, no. 2, pp. 72–77, 2019.

E. Oktafanda, “Klasifikasi Citra Kualitas Bibit dalam Meningkatkan Produksi Kelapa Sawit Menggunakan Metode Convolutional Neural Network (CNN),” J. Inform. Ekon. Bisnis, vol. 4, no. 3, pp. 72–77, 2022, doi: 10.37034/infeb.v4i3.143.

I. Y. Pangestu and S. R. Ramadhani, “Perancangan Sistem Deteksi Penyakit Kulit Pada Kucing Menggunakan Deep Learning Berbasis Android,” Teknika, vol. 12, no. 3, pp. 173–182, 2023, doi: 10.34148/teknika.v12i3.673.

I. Rafiedhia Pramutighna and A. Hermawan, “Pengenalan Potensi Racun dan Peningkatan Keamanan Pangan Dalam Jamur Menggunakan Convolutional Neural Network,” J. Media Inform. Budidarma , vol. 7, no. 4, pp. 1716–1726, 2023, doi: 10.30865/mib.v7i4.6372.

S. Sulistiyanto, U. Saprudin, and F. T. Devani, “Sistem Pakar Diagnosa Penyakit Autoimun dengan Metode Certainty Factor,” J. Teknol. Inform. dan Komput., vol. 9, no. 2, pp. 910–918, 2023, doi: 10.37012/jtik.v9i2.1674.

A. Prabowo, M. N. Ikhsanto, and M. A. Syaputra, “Penerapan Metode Certainty Factor Untuk Mendiagnosa Penyakit Pada Tanaman Algaonema,” Int. Res. Big-Data Comput. Technol. I-Robot, vol. 6, no. 1, pp. 20–25, 2022, doi: 10.53514/ir.v6i1.282.

L. Imam and F. I. Komputer, “SISTEM PAKAR UNTUK MENDIAGNOSIS HAMA PENYAKIT TANAMAN SEMANGKA MENGGUNAKAN METODE CERTAINTY FACTOR DAN METODE BAYES.”

D. Irfansyah, M. Mustikasari, and A. Suroso, “Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi,” J. Inform. J. Pengemb. IT, vol. 6, no. 2, pp. 87–92, 2021, doi: 10.30591/jpit.v6i2.2802.

P. Sari, “Development of Information Systems Using Extreme Programming Method,” Inf. J. Ilm. Bid. Teknol. Inf. dan Komun., vol. 3, no. 2, pp. 95–99, 2018, doi: 10.25139/inform.v3i2.968.




DOI: http://dx.doi.org/10.31000/jt.v13i1.11830

Article Metrics

Abstract - 647 PDF - 454

Refbacks

  • There are currently no refbacks.


License URL: https://scholar.google.co.id/citations?user=RJRfBN0AAAAJ&hl=id&authuser=2