Penggunaan metode Convolutional Neural Network untuk mengklasifikasi penyakit pada tanaman jagung berdasarkan citra daun

Indonesia :

Tanaman jagung merupakan salah satu komoditas pangan penting di Indonesia yang rentan terhadap berbagai jenis penyakit daun, seperti bercak daun, hawar daun, karat daun. Identifikasi penyakit daun jagung umumnya masih dilakukan secara manual melalui pengamatan visual, sehingga memerlukan waktu, bergantung pada keahlian pengamat, dan berpotensi menghasilkan kesalahan diagnosis. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit daun jagung menggunakan metode Convolutional Neural Network (CNN) serta mengevaluasi pengaruh jumlah epoch, zoom range, dan jumlah fold pada K-Fold Cross Validation terhadap kinerja model. Dataset terdiri atas 4.600 citra daun jagung yang terbagi dalam empat kelas yakni kelas Bercak Daun, Hawar Daun, Karat Daun, dan Daun Sehat. Data pelatihan divalidasi menggunakan K-Fold Cross Validation dengan nilai k sebanyak 5 dan 10, serta diterapkan data augmentation untuk meningkatkan variasi data. Pengujian dilakukan dalam delapan skenario yang menggunakan kombinasi skenario meliputi jumlah epoch, zoom range, dan jumlah fold cross validation. Skenario terbaik diperoleh pada kombinasi epoch 20, zoom range 0,3, dan 5-fold cross validation dengan hasil prediksi paling minimal dibanding skenario lainnya serta F1-Score masing-masing kelas sebesar 94,95%, 94,85%, 97,54%, dan 92,31%. Hasil penelitian menunjukkan bahwa metode CNN efektif dalam
mengklasifikasikan penyakit daun jagung, serta bahwa kombinasi parameter epoch 20, zoom range 0,3, dan 5-fold cross validation memberikan performa terbaik dibandingkan skenario pengujian lainnya.

Inggris :

Corn is one of Indonesia’s key food crops and is susceptible to various types of leaf diseases, such as leaf spot, leaf blight, and leaf rust. The identification of corn leaf diseases is generally still done manually through visual observation, which is time-consuming, dependent on the observer’s expertise, and prone to misdiagnosis. This study aims to develop a corn leaf disease classification model using the Convolutional Neural Network (CNN) method and to evaluate the impact of the number of epochs, zoom range, and the number of folds in K-Fold Cross Validation on the model’s performance. The dataset consists of 4,600 corn leaf images divided into four classes: Leaf Spot, Leaf Blight, Leaf Rust, and Healthy Leaf. The training data was validated using K-fold cross-validation with k values of 5 and 10, and data augmentation was applied to increase data variability. Testing was conducted across eight scenarios using various combinations of the number of epochs, zoom range, and the number of cross-validation folds. The best scenario was achieved with a combination of 20 epochs, a zoom range of 0.3, and 5-fold cross-validation, yielding the lowest prediction error compared to other scenarios and F1-Scores for each class of 94.95%, 94.85%, 97.54%, and 92.31%, respectively. The results of the study show that the CNN method is effective in classifying corn leaf diseases, and that a combination of 20 epochs, a zoom range of 0.3, and 5-fold cross validation yields the best performance compared to other testing scenarios.

Arab :

تعد نبااتت الذرة إحدى السلع الغذائية املهمة يف إندونيسيا، وهي معرضة ألنواع خمتلفة من أمراض األوراق، مثل البقع الورقية، ا والذبول الورقي، والصدأ الورقي. وال يزال حتديد أمراض أوراق الذرة يتم بشكل عام يدوًّي ا من خالل املالحظة البصرية، مما يستغرق وقت يعتمد على خربة املراقب، وقد يؤدي إىل أخطاء يف التشخيص. يهدف هذا البحث إىل تطوير منوذج لتصنيف أمراض أوراق طويال ، و )، zoom range ( ، ونطاق التكبري ) epoch ( ، وتقييم أتثري عدد الدورات ) CNN ( الذرة ابستخدام طريقة الشبكة العصبية التالفيفية صورة ألوراق 4,600 على أداء النموذج. تتكون جمموعة البياانت من K-Fold يف عملية التحقق املتقاطع ) fold ( وعدد الطيات الذرة مقسمة إىل أربع فئات، وهي: البقع الورقية، والذبول الورقي، والصدأ الورقي، واألوراق السليمة. مت التحقق من صحة بياانت ) data augmentation ( ، كما مت تطبيق تقنية زًّيدة البياانت 10 و 5 تبلغ k بقيم K-Fold التدريب ابستخدام «التحقق املتقاطع لزًّيدة تنوع البياانت. أُجري االختبار يف مثانية سيناريوهات تستخدم مزجي ا من العوامل تشمل عدد الدورات ونطاق التكبري وعدد طيات fold cross- 5و 0,3 ونطاق تكبري epoch 20 التحقق املتقاطع. مت احلصول على أفضل سيناريو من خالل اجلمع بني validation حيث حقق أقل معدل خطأ يف التنبؤ مقارنة ابلسيناريوهات األخرى، وبلغت قيمة ، F1-Score لكل فئة على التوايلفعالة يف تصنيف أمراض أوراق الذرة، CNN أظهرت نتائج البحث أن طريقة %. 92,31 % و 97,54 % و 94,85 % و 94,95 والتحقق املتقاطع مخاسي الطيات يوفر أفضل أداء مقارنة بسيناريوهات 0,3 ونطاق التكبري epoch 20 وأن اجلمع بني املعلمات االختبار األخ