Penerapan Convolutional Neural Network Untuk Mengidentifikasi Penyakit Tanaman Kelapa Sawit

Riati, Itin
Yuhandri
Nurcahyo, Gunadi Widi

Jurnal Komtekinfo
Vol. 11 No. 4 (2024): Komtekinfo

Pemanfaatan teknologi dapat dikembangkan di segala bidang seperti dalam bidang perkebunan kelapa sawit. Tanaman kelapa sawit merupakan komoditas perkebunan di Indonesia yang telah berkembang dengan pesat, faktor – faktor yang mempengaruhi pertumbuhan dan produktivitas kelapa sawit harus diperhatikan seperti adanya hama dan penyakit tanaman kelapa sawit. kecerdasan buatan merupakan teknologi masa kini yang konsepnya memindahkan kecerdasan manusia ke dalam mesin. Terdapat beberapa jenis kecerdasan buatan yang digunakan dalam pendidikan yakni Machine learning dan Deep Learning, salah satu algoritma Deep Learning yang merupakan pengembangan dari Multilayer Perceptron (MPL) yang dirancang untuk mengolah data dalam bentuk dua dimensi, misalnya gambar atau suara yaitu Convolutional Neural Network (CNN). Metode yang dapat digunakan dalam melakukan identifikasi ini yaitu Convolutional Neural Network (CNN) yang dapat memplajari objek pada pola citra. Penelitian ini bertujuan untuk meningkatkan akurasi dalam deteksi penyakit serta hama pada bibit kelapa sawit, menggunakan dataset yang terdiri dari gambar bibit yang terinfeksi dan sehat. Data yang di ambil yaitu 800 data gambar bibit kelapa sawit yang di bagi menjadi 3 kelas yaitu bagus, kulvularia sp dan antraknosa. Parameter yang diujikan pada penelitian ini yaitu hidden layer dan optimizer berpengaruh terhadap performa sistem yang berupa nilai akurasi, precision, recall, fl-score, dan loss. Pada penelitian ini didapatkan hasil terbaik dengan penggunaan empat hidden layer dan optimizer Adam didapatkan hasil akurasi sebesar 91,66%, precision, recall, fl score sebesar 90% dan loss sebesar 0,0047 serta grafik performa akurasi dan loss secara good fit. Hasil penelitian menunjukkan bahwa CNN dapat secara efektif mendeteksi berbagai jenis hama dan penyakit pada tanaman kelapa sawit dengan akurasi lebih dari 90%. penelitian ini menunjukkan potensi besar dalam pertanian modern dan dapat memfasilitasi praktik pertanian yang lebih berkelanjutan dan efisien.