Klasifikasi Penyakit pada Daun Tanaman Padi Menggunakan Arsitektur Densenet-169

Abstract

Kestabilan produksi padi harus dijaga karena kebutuhan beras sebagai makanan pokok yang terus meningkat setiap tahunnya. Salah satu penyebab penurunan produksi padi adalah terserang penyakit. Sulitnya untuk mendeteksi penyakit pada tanaman padi disebabkan kurangnya pengetahuan dan tenaga profesional. Penelitian ini bertujuan untuk mendeteksi penyakit pada daun tanaman padi menggunakan Convolutional Neural Network (CNN) dengan arsitektur DenseNet-169. Dataset penyakit diperoleh dari situs Kaggle dengan jumlah data sebanyak 240 citra yang terdiri dari penyakit blight, blast, dan tungro. Proses augmentasi dilakukan untuk memperbanyak dataset. Dataset dibagi menjadi data latih dan data uji. Data latih kemudian dilakukan proses augmentasi untuk memperbanyak data. Dataset hasil augmentasi dibagi menjadi data latih dan data testing. Proses tuning hyperparameter menggunakan grid search dan random search dilakukan untuk mendapatkan nilai hyperparameter terbaik. Hasil akurasi terbaik diperoleh model DenseNet-169 dengan menggunakan nilai hyperparameter dari tuning menggunakan grid search. Model grid search memperoleh nilai accuracy sebesar 93%, recall 93%, precision 93%, dan f1-score 93%. Dengan demikian dapat disimpulkan bahwa arsitektur DenseNet-169 dengan tuning hyperparameter menggunakan grid search memiliki akurasi terbaik. The stability of rice production must be maintained because the need for rice as a staple food continues to increase every year. One of the causes of decreased rice production is disease. The difficulty of detecting diseases in rice plants is due to a lack of knowledge and professional staff. This research aims to detect diseases in rice plant leaves using Convolutional Neural Network (CNN) with the DenseNet-169 architecture. The disease dataset was obtained from the Kaggle site with a total of 240 images consisting of blight, blast and tungro diseases. The augmentation process is carried out to increase the dataset. The dataset is divided into training data and test data. The training data is then subjected to an augmentation process to increase the data. The augmented dataset is divided into training data and testing data. The hyperparameter tuning process using grid search and random search is carried out to get the best hyperparameter values. The best accuracy results were obtained by the DenseNet-169 model using hyperparameter values from tuning using grid search. The grid search model obtained an accuracy value of 93%, recall 93%, precision 93%, and f1-score 93%. Thus it can be concluded that the DenseNet-169 architecture with hyperparameter tuning using grid search has the best accuracy.