Diagnosa Penyakit BrownSpot dan LeafBlast Pada Tanaman Padi dengan MobileNetV2 dan TensorFlow-Lite

Rahmat Gunawan, Darmansyah Darmansyah

Abstract


Penelitian ini bertujuan untuk mengatasi masalah penyakit LeafBlas dan BrownSpot pada tanaman padi di Indonesia, yang signifikan mengancam ketahanan pangan nasional. Perubahan iklim dan serangan hama telah menyebabkan kegagalan panen, seperti yang dialami oleh petani di Karawang pada tahun 2023. Penelitian ini mengimplementasikan teknologi deep learning menggunakan arsitektur MobileNetV2 untuk mendeteksi penyakit pada tanaman padi dengan akurasi tinggi. Data dikumpulkan dari Balai Besar Peramalan Organisme Pengganggu Tumbuhan (BBPOPT) di Kabupaten Karawang dan melalui proses analisis data, pelatihan model, dan evaluasi performa. Hasil menunjukkan bahwa model MobileNetV2 dapat mengklasifikasikan daun padi dengan tingkat akurasi 95% pada data latih dan 88% pada data validasi. Aplikasi mobile yang dikembangkan mampu memprediksi penyakit dengan akurasi tinggi dan diuji kompatibilitasnya pada beberapa perangkat Android. Implementasi teknologi ini diharapkan dapat meningkatkan produktivitas pertanian, meminimalkan kerugian petani, serta mendukung ketahanan pangan nasional.

Keywords


LeafBlas dan BrownSpot, MobileNetV2, Karawang

Full Text:

PDF

References


M. I. Mahdi, “Krisis Petani Muda di Negara Agraris,” DataIndonesia.id, 2022.

M. B. Yunindanova, “MEMPERSIAPKAN TRANSFORMASI PERTANIAN INDONESIA DI ERA SOCIETY 5.0,” Agrosains J. Penelit. Agron., vol. 24, no. 1, 2022, doi: 10.20961/agsjpa.v24i1.59741.

F. Farhan and R. Susanti, “Petani Karawang Meradang, 50 hektar sawah gagal panen akibat sundep,” Kompas.com. [Online]. Available: https://bandung.kompas.com/read/2023/03/13/181325078/petani-karawang-meradang-50-hektar-sawah-gagal-panen-akibat-sundep#:~:text=Editor&text=KARAWANG%2C KOMPAS.com - Petani,sundep atau hama penggerek batang.

B. P. Statistik, “Luas Panen dan Produksi Padi di Indonesia 2023 (Angka Sementara),” BPS. [Online]. Available: https://www.bps.go.id/id/pressrelease/2023/10/16/2037/luas-panen-dan-produksi-padi-di-indonesia-2023--angka-sementara-.html

S. Yanti, Marlina, and Fikrinda, “Pengendalian Penyakit Hawar Daun Bakteri pada Padi Sawah Menggunakan Fungi Mikoriza,” Agroecotania, vol. 1, no. 2, 2018.

M. Cakmak and M. E. Tenekeci, “Melanoma detection from dermoscopy images using Nasnet Mobile with transfer learning,” in SIU 2021 - 29th IEEE Conference on Signal Processing and Communications Applications, Proceedings, 2021. doi: 10.1109/SIU53274.2021.9477985.

A. O. Adedoja, P. A. Owolawi, T. Mapayi, and C. Tu, “Intelligent Mobile Plant Disease Diagnostic System Using NASNet-Mobile Deep Learning,” IAENG Int. J. Comput. Sci., vol. 49, no. 1, 2022.

C. E. Sukmawati, A. R. Pratama, and ..., “Prediksi Penyakit Blas Pada Tanaman Padi dengan Model Spatial Multi-Criteria Evaluation (SMCE) Berbasis Mobile,” Syntax J. …, vol. 12, no. 02, pp. 27–42, 2023, [Online]. Available: https://journal.unsika.ac.id/index.php/syntax/article/view/9945%0Ahttps://journal.unsika.ac.id/index.php/syntax/article/download/9945/4186

Herwina, Darmatasia, A. K. A. Shiddiq, and T. D. Syahputra, “Deteksi Penyakit pada Tanaman Padi Menggunakan MobileNet Transfer Learning Berbasis Android,” Agents J. Artif. Intell. Data Sci., vol. 2, no. 2, 2022.

S. Sheila, I. Permata Sari, A. Bagas Saputra, M. Kharil Anwar, and F. Restu Pujianto, “Deteksi Penyakit Pada Daun Padi Berbasis Pengolahan Citra Menggunakan Metode Convolutional Neural Network (CNN),” MULTINETICS, vol. 9, no. 1, 2023, doi: 10.32722/multinetics.v9i1.5255.

A. Fuadi and A. Suharso, “PERBANDINGAN ARSITEKTUR MOBILENET DAN NASNETMOBILE UNTUK KLASIFIKASI PENYAKIT PADA CITRA DAUN KENTANG,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 3, 2022, doi: 10.29100/jipi.v7i3.3026.

A. A. Bracino, D. G. D. Evangelista, R. S. Concepcion, E. P. Dadios, and R. R. P. Vicerra, “Non-Destructive Classification of Paddy Rice Leaf Disease Infected by Bacterial and Fungal Species Using Vision-Based Deep Learning,” J. Adv. Comput. Intell. Intell. Informatics, vol. 27, no. 3, 2023, doi: 10.20965/jaciii.2023.p0333.

M. L. Sylvia and S. Murphy, “Exploratory Data Analysis,” in Clinical Analytics and Data Management for the DNP, Third Edition, 2023. doi: 10.1891/9780826163240.0014.

S. Li, “TensorFlow Lite: On-Device Machine Learning Framework,” Jisuanji Yanjiu yu Fazhan/Computer Res. Dev., vol. 57, no. 9, 2020, doi: 10.7544/issn1000-1239.2020.20200291.

Tensorflow, “Tensorflow Lite Guide,” https://www.tensorflow.org/lite/guide.

D. Iswantoro and D. Handayani UN, “Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN),” J. Ilm. Univ. Batanghari Jambi, vol. 22, no. 2, 2022, doi: 10.33087/jiubj.v22i2.2065.

T. Handhayani and J. Hendryli, “Leboh: An Android Mobile Application for Waste Classification Using TensorFlow Lite,” in Lecture Notes in Networks and Systems, 2023. doi: 10.1007/978-3-031-16075-2_4.




DOI: https://doi.org/10.26877/jiu.v10i1.19133

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Rahmat Gunawan

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Creative Commons License
Jurnal Informatika Upgris by Program Studi Informatika UPGRIS is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.