Identifikasi penyakit pada tanaman apel menggunakan convolutional neural network berbasis citra daun

Indonesia:

Daerah Malang Raya memproduksi apel dalam jumlah yang besar setiap tahunnya. Dengan jumlah produksi yang tinggi tentu saja masalah seperti penurunan hasil panen dan kualitas buah menjadi ancaman yang serius. Salah satu penyebab masalah ini adalah penyakit yang menyerang tanaman apel. Beberapa jenis penyakit pada tanaman apel antara lain adalah: bercak daun, cacar daun dan busuk buah. Penyakit-penyakit ini dapat diidentifikasi gejalanya dengan memeriksa daunnya. Oleh karena itu perlu dibuat sebuah sistem yang dapat mengidentifikasi penyakit pada tanaman apel secara otomatis. Sistem ini akan dibangun dengan mengimplementasikan algoritma Convolutional Neural Network. Penelitian ini bertujuan untuk mengukur akurasi, sensitivitas, dan spesifisitas algoritma Convolutional Neural Network dalam mengidentifikasi penyakit pada tanaman apel. Algoritma ini dipilih karena dapat melakukan identifikasi citra secara efektif. Total data yang digunakan terdiri dari 1517 citra daun yang sehat dan berpenyakit. Data menggunakan tiga pencahayaan berbeda yaitu lampu kamar, lampu LED dan cahaya matahari. Data terdiri dari empat class berbeda yaitu bercak daun, cacar daun, busuk buah beserta apel sehat. Preprocessing dilakukan dengan teknik augmentasi data seperti rotation, width shift, height shift, shear, zoom, horizontal flip. Arsitektur CNN yang digunakan terdiri dari 2 convolutional layer, 2 max pooling layer, 1 flatten layer, 1 dense layer, dan 1 output layer. Pengujian dilakukan dengan metode K-Fold Cross Validation. Penelitian ini berhasil memperoleh hasil terbaik saat dilakukan uji coba menggunakan data dengan pencahayaan cahaya matahari yaitu dengan nilai akurasi rata-rata 88.60%, sensitivitas rata-rata 77.20% dan spesifisitas rata-rata 92.40% . Kemudian dilakukan uji coba menggunakan arsitektur VGG16. Diperoleh hasil terbaik 91.50% akurasi, 83.00% sensitivitas, dan 94.33% spesifisitas pada pengujian menggunakan data dengan pencahayaan lampu kamar.

English:

Malang Raya area produces apples in large quantities every year. With a high production volume, of course, problems such as decreased yields and fruit quality pose a serious threat. One of the causes of this problem is a disease that attacks apple plants. Several types of diseases in apple plants include: leaf spot, smallpox and fruit rot. Symptoms of these diseases can be identified by examining the leaves. Therefore, it is necessary to create a system that can identify diseases in apple plants automatically. This system will be built by implementing the Convolutional Neural Network algorithm. This study aims to measure the accuracy, sensitivity, and specificity of the Convolutional Neural Network algorithm in identifying diseases in apple plants. This algorithm was chosen because it can identify the image effectively. The total data used consisted of 1517 images of healthy and diseased leaves. The data uses three different lighting, namely room lights, LED lights and sunlight. The data consisted of four different classes, namely leaf spot, smallpox, fruit rot and healthy apples. Preprocessing is done with data augmentation techniques such as rotation, width shift, height shift, shear, zoom, horizontal flip. The CNN architecture used consists of 2 convolutional layers, 2 max pooling layers, 1 flatten layer, 1 dense layer, and 1 output layer. The test was carried out using the K-Fold Cross Validation method. This study succeeded in obtaining the best results when tested using data with sunlight, namely with an average accuracy value of 88.60%, an average sensitivity of 77.20% and an average specificity of 92.40%. Then a trial was conducted using the VGG16 architecture. The best results obtained are 91.50% accuracy, 83.00% sensitivity, and 94.33% specificity in the test using data with room lighting.

Arabic:

تنتج منطقة مالانج رايا التفاح بكميات كبيرة كل عام. مع حجم الإنتاج الكبير ، بطبيعة الحال ، فإن مشاكل مثل انخفاض الغلة وجودة الفاكهة تشكل تهديدًا خطيرًا. أحد أسباب هذه المشكلة هو مرض يهاجم نبات التفاح. عدة أنواع من الأمراض في نبات التفاح تشمل: بقعة الأوراق والجدري وتعفن الفاكهة. يمكن التعرف على أعراض هذه الأمراض بفحص الأوراق. لذلك ، من الضروري إنشاء نظام يمكنه التعرف تلقائيًا على الأمراض في نباتات التفاح. سيتم بناء هذا النظام من خلال تنفيذ خوارزمية الشبكة العصبية التلافيفية. تهدف هذه الدراسة إلى قياس دقة وحساسية ونوعية خوارزمية الشبكة العصبية التلافيفية في التعرف على الأمراض في نبات التفاح. تم اختيار هذه الخوارزمية لأنها تستطيع التعرف على الصورة بشكل فعال. يتكون إجمالي البيانات المستخدمة من1517 صورة لأوراق سليمة ومريضة. تستخدم البيانات ثلاثة إضاءة مختلفة ، وهي أضواء الغرفة وأضواء LED وضوء الشمس. تكونت البيانات من أربع فئات مختلفة ، وهي بقعة الأوراق ، والجدري ، وتعفن الفاكهة ، والتفاح الصحي. تتم المعالجة المسبقة باستخدام تقنيات زيادة البيانات مثل الدوران ، وإزاحة العرض ، وإزاحة الارتفاع ، والقص ، والتكبير ، والوجه الأفقي. تتكون بنية CNN المستخدمة من طبقتين تلافيفيتين وطبقتين تجميع كحد أقصى وطبقة واحدة مسطحة وطبقة واحدة كثيفة وطبقة إخراج واحدة. تم إجراء الاختبار باستخدام طريقة K-Fold Cross Validation. نجحت هذه الدراسة في الحصول على أفضل النتائج عند اختبارها باستخدام بيانات مع ضوء الشمس ، أي بمتوسط قيمة دقة 88.60٪ ، متوسط حساسية 77.20٪ ومتوسط خصوصية 92.40٪. ثم أجريت تجربة باستخدام هندسة 16VGG أفضل النتائج التي تم الحصول عليها هي دقة 91.50٪ وحساسية 83.00٪ ونوعية 94.33٪ في الاختبار باستخدام البيانات مع إضاءة الغرفة