Klasifikasi penyakit pada tanaman padi berbasis citra daun menggunakan Convolutional Neural Network

INDONESIA:

Penyakit tanaman padi memiliki dampak yang besar terhadap produktivitas pertanian, sehingga dibutuhkan model klasifikasi untuk membedakan jenis penyakit dari citra daun padi secara akurat. Berbagai pendekatan klasifikasi berbasis citra daun telah dikembangkan sebelumnya, namun performanya masih dapat ditingkatkan. Oleh karena itu, penelitian ini mengusulkan penggunaan Convolutional Neural Network (CNN) untuk mengklasifikasikan penyakit daun padi. Dataset yang digunakan dalam penelitian ini mencakup citra daun padi dalam empat kondisi yaitu blast, blight, tungro, dan healthy. Tahap awal melibatkan langkah-langkah praproses seperti resize, augmentasi, dan normalisasi. Setelah ini, arsitektur CNN khusus dirancang, yang terdiri dari 4 lapisan convolutional, 4 lapisan pooling, dan 3 lapisan fully connected. Setiap lapisan convolutional menggunakan kernel 3x3 dengan stride 1 dan aktivasi ReLU, sementara lapisan pooling menerapkan max pooling dengan kernel 3x3 dan stride 2. Dengan menggunakan ukuran batch 32 dan optimasi Adam, hasil terbaik dicapai pada 100 epoch pelatihan dengan learning rate 0,0002. Model tersebut mencapai akurasi pelatihan 0,9930 dan nilai kerugian 0,0221, sementara akurasi pengujian mencapai 0,9647. Metrik evaluasi menunjukkan kinerja yang seimbang di seluruh presisi, recall, dan f1-score masing-masing 0,9647 yang menunjukkan bahwa proses klasifikasi berjalan secara efektif tanpa bias terhadap kelas tertentu. Temuan ini menunjukkan bahwa model CNN yang dirancang dengan baik namun sederhana dapat memberikan hasil klasifikasi yang kompetitif tanpa bergantung pada arsitektur yang kompleks atau dengan teknik tambahan. Selain itu, model yang diusulkan mengungguli beberapa arsitektur CNN yang ada, termasuk Inception-ResNet-V2, VGG-16, VGG-19, dan Xception.

ENGLISH:

Rice plant diseases have a significant impact on agricultural productivity, so a classification model is needed to accurately distinguish disease types from rice leaf images. Various leaf image-based classification approaches have been developed previously, but their performance can still be improved. Therefore, this study proposes the use of Convolutional Neural Network (CNN) to classify rice leaf diseases. The dataset used in this study includes rice leaf images in four conditions, namely blast, blight, tungro, and healthy. The initial stage involves preprocessing steps such as resizing, augmentation, and normalization. After this, a special CNN architecture is designed, consisting of 4 convolutional layers, 4 pooling layers, and 3 fully connected layers. Each convolutional layer uses a 3x3 kernel with stride 1 and ReLU activation, while the pooling layer applies max pooling with a 3x3 kernel and stride 2. Using a batch size of 32 and Adam optimization, the best results were achieved at 100 training epochs with a learning rate of 0.0002. The model achieved a training accuracy of 0.9930 and a loss value of 0.0221, while the testing accuracy reached 0.9647. The evaluation metrics showed balanced performance across precision, recall, and f1-score of 0.9647 each indicating that the classification process was effective without bias towards a particular class. These findings suggest that a well-designed yet simple CNN model can provide competitive classification results without relying on complex architectures or additional techniques. Furthermore, the proposed model outperforms several existing CNN architectures, including Inception-ResNet-V2, VGG-16, VGG-19, and Xception.

ARABIC:

إن أمراض الأرز لها تأثير كبير على الإنتاجية الزراعية، لذا فإن نماذج التصنيف ضرورية للتمييز بدقة بين أمراض أوراق الأرز. تم اقتراح نماذج تصنيف مختلفة لتصنيف أمراض الأرز استنادًا إلى صور الأوراق، ولكن هناك حاجة إلى مزيد من تحسينات الأداء. وعليه، تقترح هذه الدراسة استخدام الشبكة العصبية التلافيفية (CNN) لتصنيف أمراض الأرز بناءً على صور الأوراق. في هذه الدراسة، استخدمنا مجموعة بيانات صور الأوراق التي تحتوي على أوراق مصابة باللفحة، والانفجار، والتونجرو، وأوراق صحية. في العملية الأولية، تتم معالجة البيانات أولاً، مثل تغيير الحجم، والتكبير، والتطبيع. بعد اكتمال المعالجة، يتم تشكيل بنية CNN مخصصة تتكون من 4 طبقات ملتوية، و4 طبقات تجميع، و3 طبقات متصلة بالكامل. تستخدم كل طبقة ملتوية نواة 3x3 وخطوة 1 وتنشيط ReLU، بينما تستخدم طبقة التجميع أقصى تجميع مع نواة 3x3 وخطوة 2. إلى جانب استخدام تكوين حجم الدفعة 32 وتحسين Adam، تم الحصول على أفضل نتائج الاختبار في التجربة باستخدام Epoch 100 ومعدل تعلم 0.0002 مما أدى إلى دقة تدريب 0.9930 وخسارة 0.0221 ودقة اختبار 0.9647. تمكنت نتائج تقييم النموذج من الحصول على توازن بين الدقة والاستدعاء ودرجة f1، أي 0.9647، مما يشير إلى أن عملية تصنيف البيانات تسير بشكل جيد للغاية، دون أي تحيز تجاه فئة معينة. تظهر نتائج هذه الدراسة أن نموذج CNN المبسط يمكنه توفير أداء تصنيف تنافسي دون الحاجة إلى نموذج CNN معقد أو تقنيات إضافية أخرى. نموذج CNN المقترح قادر على الأداء بشكل أفضل من نماذج CNN الحالية مثل Inception-ResNet-V2 وVGG-16 وVGG-19 وXception