Identifikasi penyakit pada tanaman padi menggunakan MiniVGGNet berbasis Mobile App

INDONESIA:

Penyakit pada tanaman padi seringkali mengakibatkan petani mengalami gagal panen dan penurunan kualitas padi. Umumnya, penyakit tanaman padi disebabkan oleh serangan patogen seperti jamur, bakteri, dan virus. Penelitian ini bertujuan untuk mengidentifikasi 5 kelas yang terdiri dari 4 jenis penyakit pada tanaman padi, seperti hawar daun bakteri, blas, tungro, bercak coklat dan daun padi sehat dengan menggunakan metode Convolutional Neural Network (CNN). Arsitektur yang digunakan pada penelitian ini adalah MiniVGGNet dan kustomisasi MiniVGGNet yang dilatih dengan menggunakan 883 citra no-background dan 1104 citra background. Berdasarkan hasil pengujian, model MiniVGGNet menunjukkan performa yang lebih unggul dengan akurasi 98%, precision 98%, recall 98%, dan F1-Score 98%. Sedangkan model kustom MiniVGGNet mendapatkan nilai akurasi 88%, precision 88%, recall 88%, dan F1-Score 87%. Meskipun akurasi yang didapatkan pada model kustom lebih rendah, namun model tersebut memiliki jumlah parameter yang jauh lebih kecil (242.981 parameter) dibandingkan dengan model MiniVGGNet (2.167.797 parameter). Model kustom merupakan model yang unggul dalam efisiensi ukuran, sehingga model tersebut lebih efektif berjalan pada perangkat mobile berbasis Android. Kemudian dilakukan pengujian usability menggunakan SUS Score, didapatkan rata-rata skor 80,25 dengan adjective rating ”Excellent” dan grade letter ”B” pada perangkat mobile dengan model kustom. Namun demikian, kedua model tersebut tetap dapat diterapkan pada perangkat mobile dengan mempertimbangkan spesifikasi perangkat yang digunakan. Apabila ingin diterapkan pada perangkat yang memiliki spesifikasi lebih rendah, dapat menggunakan model kustom, namun, jika memiliki spesifikasi yang lebih tinggi, maka dapat menggunakan model MiniVGGNet.

ENGLISH:

Rice plant diseases often lead to crop failure and a decline in rice quality for farmers. Generally, these diseases are caused by pathogens such as fungi, bacteria, and viruses. This study aims to classify 5 classes of rice leaves, consisting of 4 disease types (bacterial leaf blight, blast, tungro, brown spot) and healthy leaves, using the Convolutional Neural Network (CNN) method. The architectures employed in this study are MiniVGGNet and a customized MiniVGGNet, trained using 883 no-background images and 1104 background images. Based on the testing results, the MiniVGGNet model demonstrated superior performance with 98% accuracy, 98% precision, 98% recall, and a 98% F1-Score. Meanwhile, the custom MiniVGGNet model achieved an accuracy of 88%, precision of 88%, recall of 88%, and an F1-Score of 87%. Although the accuracy of the custom model is lower, it possesses a significantly smaller number of parameters (242,981 parameters) compared to the MiniVGGNet model (2,167,797 parameters). The custom model excels in size efficiency, making it more effective for deployment on Android-based mobile devices. Furthermore, usability testing using the System Usability Scale (SUS) yielded an average score of 80.25, with an "Excellent" adjective rating and a "B" grade letter on mobile devices using the custom model. Nevertheless, both models can be implemented on mobile devices by considering the device specifications. For devices with lower specifications, the custom model is recommended, whereas the MiniVGGNet model is suitable for devices with higher specifications.

ARABIC:

غالبًا ما تؤدي أمراض نبات الأرز إلى فشل المحاصيل وانخفاض جودة الأرز لدى المزارعين. بشكل عام، تنجم أمراض الأرز عن هجمات مسببات الأمراض مثل الفطريات والبكتيريا والفيروسات. تهدف هذه الدراسة إلى تصنيف ٥ فئات تتكون من ٤ أنواع من أمراض نبات الأرز (لفحة الأرز البكتيرية، واللفحة، والتونغرو، والتبقع البني) والأوراق السليمة باستخدام طريقة الشبكة العصبية التلافيفية (CNN). البنية المستخدمة في هذه الدراسة هي MiniVGGNet وMiniVGGNet المخصصة (Custom) التي تم تدريبها باستخدام ٨٨٣ صورة بدون خلفية و ١١٠٤ صورة بخلفية. بناءً على نتائج الاختبار، أظهر نموذج MiniVGGNet أداءً فائقًا بدقة ٩٨٪، ودقة (Precision) ٩٨٪، واستدعاء (Recall) ٩٨٪، ودرجة F1-Score ٩٨٪. في حين حصل النموذج المخصص (Custom MiniVGGNet) على دقة ٨٨٪، ودقة (Precision) ٨٨٪، واستدعاء (Recall) ٨٨٪، ودرجة F1-Score ٨٧٪. على الرغم من أن الدقة التي تم الحصول عليها في النموذج المخصص أقل، إلا أن هذا النموذج يحتوي على عدد أصغر بكثير من المعلمات (٢٤٢،٩٨١ معلمة) مقارنة بنموذج MiniVGGNet (٢،١٦٧،٧٩٧ معلمة). يتفوق النموذج المخصص في كفاءة الحجم، مما يجعله أكثر فعالية للتشغيل على الأجهزة المحمولة التي تعمل بنظام أندرويد (Android). ثم تم إجراء اختبار قابلية الاستخدام باستخدام مقياس قابلية الاستخدام للنظام (SUS)، وتم الحصول على متوسط درجة ٨٠.٢٥ بتقدير وصفي "ممتاز" (Excellent) وحرف التقدير "B" على الأجهزة المحمولة باستخدام النموذج المخصص. ومع ذلك، يمكن تطبيق كلا النموذجين على الأجهزة المحمولة مع مراعاة مواصفات الجهاز المستخدم. إذا كان المراد التطبيق على أجهزة ذات مواصفات أقل، يمكن استخدام النموذج المخصص، أما إذا كانت المواصفات أعلى، فيمكن استخدام نموذج MiniVGGNet.