##plugins.themes.academic_pro.article.main##
Klasifikasi Penyakit Tanaman Tomat Menggunakan Convolutional Neural Network dan Implementasi Model H5 Pada Aplikasi Desktop
Abstract
Penelitian ini mengembangkan metode budidaya tomat lebih efektif dengan analisis pola dan klasifikasi data citra menggunakan Convolutional Neural Network (CNN). Tujuan utamanya adalah mengklasifikasikan penyakit tomat dan jenis tanaman berdasarkan citra digital. Dengan menggunakan teknologi Deep Learning, informasi yang akurat dan mendalam tentang pertumbuhan dan kualitas tanaman tomat dapat diperoleh. Penelitian ini berhasil mencapai akurasi 99% dalam mengklasifikasikan citra daun tomat sehat, jamur septoria, jamur fulva, dan jamur target spot dengan model Inception V3. Perangkat lunak berbasis desktop yang dikembangkan mampu menampilkan hasil klasifikasi jenis daun secara spesifik.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
N. C. P. Rahayu, “Perbedaan Tanaman Buah Tomat (Lycopersiconesculentum), CABAI (Capsicsumfrutencens L.), Dan Terong (SolanummelongenaL.) Pada Penyerapan Amonia (NH3), NITRIT (NO2) Dan NITRAT (NO3) Air Budidaya Ikan Lele Dumbo (Clariassp.) Pada Sistem Akuaponik.” Universitas Airlangga, 2019.
A. Peryanto, A. Yudhana, and R. Umar, “Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network,” Format : Jurnal Ilmiah Teknik Informatika, vol. 8, no. 2, p. 138, 2020, doi: 10.22441/format.2019.v8.i2.007.
M. Cosovic and R. Jankovic, “CNN Classification of the Cultural Heritage Images,” 2020 19th International Symposium INFOTEH-JAHORINA, INFOTEH 2020 - Proceedings, no. March, 2020, doi: 10.1109/INFOTEH48170.2020.9066300.
I. Maryati, “Website Perpustakaan ‘Library HUB’ dengan Pencarian Buku Berdasarkan Gambar Menggunakan Google MLKit,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 8, no. 4, pp. 1821–1831, 2021, doi: 10.35957/jatisi.v8i4.1269.
M. Fasounaki, E. B. Yüce, S. Öncül, and G. Ince, “CNN-based Text-independent Automatic Speaker Identification Using Short Utterances,” Proceedings - 6th International Conference on Computer Science and Engineering, UBMK 2021, vol. 01, pp. 413–418, 2021, doi: 10.1109/UBMK52708.2021.9559031.
S. R. Suartika E. P, I Wayan, Wijaya Arya Yudhi, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101,” Jurnal Teknik ITS, vol. 5, no. 1, p. 76, 2016, [Online]. Available: http://repository.its.ac.id/48842/
T. M. Kadarina and M. H. Ibnu Fajar, “Pengenalan Bahasa Pemrograman Python Menggunakan Aplikasi Games Untuk Siswa/I Di Wilayah Kembangan Utara,” Jurnal Abdi Masyarakat (JAM), vol. 5, no. 1, p. 11, 2019, doi: 10.22441/jam.2019.v5.i1.003.
Wahyutama Fitri Hidayat and Taufik Asra, “Klasifikasi Penyakit Daun Kentang Menggunakan Model Logistic Regression,” Indonesian Journal on Software Engineering, vol. 8, no. 2, pp. 173–179, 2022.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the Inception Architecture for Computer Vision,” Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 2016-Decem, pp. 2818–2826, 2016, doi: 10.1109/CVPR.2016.308.
