Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Agrikultura

Sistem Smart Detection Penyakit pada Tanaman Kopi Robusta Menggunakan SSD MobileNet V2 sebagai Model Pra-Terlatih Harmiansyah, Harmiansyah; Fil’aini, Raizummi; Mufidah, Zunanik; Utari, Ni Wayan Arya; Hendra, Jekvy; Diptaningsari, Danarsi; Meidaliyantisya, Meidaliyantisya; Wardani, Nila; Mawardi, Rahadian; Mustafid, M. Azhar
Agrikultura Vol 34, No 1 (2023): April, 2023
Publisher : Fakultas Pertanian Universitas Padjadjaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24198/agrikultura.v34i1.43052

Abstract

Pengendalian hama dan penyakit pada kopi robusta harus dilakukan secara dini, jika pengendalian terlambat maka akan berakibat pada produksi kopi robusta yang menjadi rendah. Para petani kopi cendrung lambat dalam mendeteksi penyakit pada tanaman kopi karena keterbatasan pengetahuan. Sistem smart identifikasi penyakit menggunakan deep learning merupakan salah satu inovasi yang dapat digunakan untuk mengidentifikasi penyakit pada tanaman kopi dengan cepat dan tepat. Metode dalam pembuatan sistem smart detection diawali dengan pengumpulan dataset yang terdiri dari kumpulan gambar daun kopi robusta. Dataset diklasifikasi menjadi dua klasifikasi yaitu daun sehat dan daun sakit, daun sakit terdiri dari gambar daun yang terserang penyakit bercak dan karat. Kemudian dilakukan anotasi data untuk memberikan label pada dataset, setelah data dilabeli, data kemudian digunakan sebagai model pra-terlatih sebagai training untuk mempelajari objek gambar. Model yang telah ditraining kemudian dievaluasi untuk menilai kinerja model berdasarkan nilai average precision dan averaga recall sebagai parameter kinerja dari model. Hasil dari training pada penelitian ini didapatkan nilai total loss sebesar 21,81% dalam 13100 epoch serta memiliki kecenderungan turun. Untuk nilai average precision pada model sistem smart detection tanaman kopi adalah 87,3% dan nilai average recall sebedar 89,6%.setelah dilakukan pengujian sistem dengan 12 sample didapatkan nilai akurasi ketepatan sistem dalam memprediksi adalah 96% sehingga sistem smart detection tanaman kopi robusta sudah baik dan mempunyai potensi untuk dapat diimplementasikan.