Analisis Arsitektur Mobilenet pada Klasifikasi Penyakit Tanaman Tomat

Abstract

Permintaan tomat untuk konsumsi terus meningkat setiap tahun, namun produksi tomat tidak selalu mengikuti tren tersebut. Ini menunjukkan bahwa tomat sering kali mengalami perubahan dan cenderung mengalami penurunan dari waktu ke waktu. Berbagai faktor dapat menyebabkan penurunan hasil produksi tomat termasuk iklim yang tidak mendukung dan serangan penyakit. Tanaman tomat memang mudah terserang penyakit. Penyakit tersebut dapat disebabkan oleh jamur, bakteri atau virus yang menyerang daun tanaman. Meskipun dapat terlihat dengan jelas mengidentifikasi penyakit pada tanaman tomat memerlukan waktu dan bisa sulit karena adanya kemiripan antara penyakit satu dengan yang lain. Penyakit dan hama ini dapat menyebabkan perubahan warna dan bentuk pada seluruh bagian tanaman tomat, termasuk daun, batang, akar, hingga buah. Namun gejalah penyakit pada tanaman tomat lebih sering diamati melalui perubahan pada daun. Penyakit pada tanaman dapat mengakibatkan kerugian panen setiap tahun, yang merupakan ancaman serius bagi produksi pertanian dan mengakibatkan penurunan hasil atau bahkan gagal panen. Maka dalam penelitian ini mencoba menindak lanjuti dengan memodelkan klasifikasi berbasis teknologi memungkinkan metode Deep Learning untuk secara otomatis mengektraksi fitur dan pola yang mewakili dari setiap gambar. Penelitian ini memanfaatkan CNN dan salah satu arsitekturnya yaitu MobileNet. Terdapat beberapa penerapan algoritma MobileNetV1 dan MobileNetV2 untuk mengklasifikasi tanaman tomat. Dalam evaluasi model data dibagi menjadi data pelatihan, data pengujian dan data validasi yang berfokus pada metrik akurasi dan persisi yang dihasilkan. Hasil dari pengujian menunjukkan akurasi yang berbeda-beda MobileNetV1 memberikan akurasi tertinggi yaitu 90.93%. Selanjutnya metode MobileNetV2 dengan akurasi yang dihasilkan yaitu sebesar 84.00%. Demand for tomatoes for consumption continues to increase every year, but tomato production does not always follow this trend. This shows that tomatoes often experience changes and tend to decline over time. Various factors can cause a decrease in tomato production, including unfavorable climate and disease attacks. Tomato plants are easily attacked by disease. This disease can be caused by fungi, bacteria or viruses that attack plant leaves. Even though it can be seen clearly, identifying diseases in tomato plants takes time and can be difficult because of the similarities between one disease and another. These diseases and pests can cause changes in color and shape to all parts of the tomato plant, including leaves, stems, roots, and fruit. However, disease symptoms in tomato plants are more often observed through changes in the leaves. Diseases in plants can result in crop losses every year, which is a serious threat to agricultural production and results in reduced yields or even crop failure. So this research tries to follow up by modeling technology-based classification which allows Deep Learning methods to automatically extract representative features and patterns from each image. This research utilizes CNN and one of its architectures, namely MobileNet. There are several applications of the MobileNetV1 and MobileNetV2 algorithms to classify tomato plants. In model evaluation the data is divided into training data, testing data and validation data which focuses on the resulting accuracy and precision metrics. The results of the test show different accuracies. MobileNetV1 provides the highest accuracy, namely 90.93%. Furthermore, the MobileNetV2 method with the resulting accuracy is 84.00%.