Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer
Pratitis, Wheny Lebdo
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Classification of Spotted Disease on Sugarcane Leaf Image Using Convolutional Neural Network Algorithm Pratitis, Wheny Lebdo; Kurniasari, Kusrini; Fata, Hanif Al
Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer Vol 3 No 2: JTECS Juli 2023
Publisher : FAKULTAS TEKNIK UNIVERSITAS ISLAM KADIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32503/jtecs.v3i2.3433

Abstract

Tebu merupakan salah satu komoditas perkebunan yang memiliki peran yang sangat penting karena sebagai bahan utama membuat gula dan etanol. Akan tetapi, masa tanam yang lama kurang lebih 1 tahun menyebabkan tanaman ini rentan terkena penyakit. Penyakit pada tanaman tebu dapat diidentifikasi secara langsung oleh pakar melalui proses pengamatan pada daun berdasarkan pengetahuan dan pengalaman yang mereka miliki. Pendekatan teknologi berbasis kecerdasan buatan (AI) menjadi salah satu solusi mutakhir untuk mendapatkan informasi penyakit pada tanaman. Oleh karena itu, penelitian ini mengusulan teknik klasifikasi otomatis untuk mengklasifikasikan bercak penyakit pada daun tebu. Dataset diunduh dari situs Kaggle terdiri dari 864 citra daun tebu yang terbagi menjadi dua kelas, yaitu Sakit dan Sehat. Untuk dapat menghasilkan model klasifikasi yang akurat dataset dilatih menggunakan algoritma Convolutional Neural Network (CNN) berdasarkan pendekatan model transfer learning dengan arsitektur pre-trained model seperti VGG-16. Semua parameter weight VGG-16 diadopsi dan hanya mengubah lapisan terakhir untuk menyesuaikan output class. Selain itu, untuk mengatasi ketebatasan dataset yang dimiliki, penelitian ini menerapkan teknik augmentasi data. Hasil dari penelitian menunjukkan model klasifikasi mampu mengklasifikasikan penyakit berdasarkan evaluasi menggunakan Confusion matrix dengan nilai parameter masing-masing yaitu 98% akurasi, 100% presisi, 97% recall, dan 98% F1 Score
Co-Authors Fata, Hanif Al Kurniasari, Kusrini