Archive | 2021
Klasifikasi Penyakit Tanaman Padi Menggunakan Model Deep Learning Efficientnet B3 dengan Transfer Learning
Abstract
The level of rice productivity is influenced by several inhibiting factors, for example disease attack in rice plants. The slow and inappropriate treatment of rice plant can make the crop failure so that rice production and farmers income decrease. The symptoms of rice disease are difficult to distinguish, especially in severe symptoms. Collaboration with other fields, especially computer science, is needed to classify diseases automatically so that the farmers can take action for plant treatment and the spread of disease can be controlled quickly. The classification of diseases based on images requires the best features/characteristics so that the disease can be classified. In this research, Deep Learning method, especially Convolutional Neural Network with EfficientNet B3 architecture, can extract features very well. In this research, the classification of brown spot and bacterial leaf disease by applying EfficientNet B3 with transfer learning reached 79.53% accuracy and 0.012 loss/error. Keyword: Rice Plant Disease, Deep learning, EfficientNet B3 I. PENDAHULUAN Sektor pertanian merupakan faktor yang sangat penting terkait ketahanan pangan. Jumlah produksi padi menjadi hal yang paling diperhatikan mengingat tanaman padi merupakan komoditas terbesar saat ini. Tingkat produktivitas padi dipengaruhi beberapa faktor penghambat salah satunya yaitu penyakit pada tanaman padi. Penanganan yang kurang cepat dan tidak tepat dapat mengakibatkan gagal panen sehingga produksi padi menjadi menurun serta penghasilan petani juga berkurang. Gejala-gejala penyakit padi sulit dibedakan, khususnya gejala tersebut sudah lanjut (Lestari, 2019). Negara-negara yang menjadikan padi sebagai bahan makanan pokoknya, terutama Indonesia sedang gencar melakukan inovasi untuk mengatasi permasalahan yang disebabkan oleh penyakit padi agar ketersediaan bahan pokok menjadi stabil. Inovasi dilakukan dengan kerjasama di berbagai bidang, salah satunya di bidang ilmu komputer. Kolaborasi bidang pertanian dengan ilmu komputer yaitu berkaitan dengan pengenalan pola yang memanfaatkan sistem komputer vision yang dapat mengidentifikasi penyakit pada tanaman padi, sehingga petani menjadi mudah dalam mengambil tindakan (Haris, 2020). Salah satu tahapan identifikasi penyakit padi dengan melalui citra yaitu ekstraksi fitur yang digunakan untuk mendapatkan informasi mengenai ciri-ciri penyakit padi berdasarkan citra daun. Proses menyeleksi fitur yang terbaik memerlukan waktu yang lama dan menghasilkan error yang cukup tinggi meskipun dengan jumlah dataset yang sedikit. (Murniyasih et al., 2020). Penggunaan machine learning khususnya deep learning biasanya untuk kasus dengan penyeleksian fitur yang kompleks dan dapat dilakukan dalam jumlah dataset yang besar, sehingga dapat meningkatkan performa dalam menyeleksi fitur dengan waktu yang cukup cepat (Rahman et al., 2020). Metode deep learning yang sering digunakan yaitu convolutional neural network (CNN), dimana dapat mengekstraksi fitur secara otomatis dan lebih efisien sehingga dapat menghasilkan klasifikasi yang tepat pula. Jurnal Ilmiah Sinus (JIS) Vol : 19, No. 1, Januari 2021 ISSN (Print) : 1693-1173, ISSN (Online): 2548-4028 76................ Jurnal Ilmiah SINUS (JIS) DOI : https://doi.org/10.30646/sinus.v19i1.526 Efficientnet merupakan salah satu arsitektur CNN yang dapat memprediksi dan mengklasifikasi objek secara akurat dan dapat diaplikasikan ke peralatan mobile yang memiliki komputasi terbatas (Duong et al., 2020). Sehingga pada penelitian ini menggunakan arsitektur Efficientnet B3, dengan harapan dapat mengklasifikasi penyakit padi dengan akurat dan secara otomatis, agar petani dapat mengetahui penyakit padi dengan mudah, sehingga dalam mengambil tindakan selanjutnya dapat dilakukan secara tepat dan penyebaran penyakit dapat dikendalikan. II. TINJAUAN PUSTAKA Penelitian yang mengidentifikasi 10 jenis penyakit tanaman padi menggunakan metode Convolutional Neural Network (CNN) yang terdiri dari 3 lapisan konvolusi, 3 lapisan pooling, dan 1 lapisan softmax. Pada prapemrosesan citra menggunakan metode PCA (Principal Component Analysis) untuk mendapatkan fitur pelatihan dan pengujian. Penelitian ini menghasilkan akurasi 95% dengan membandingkan metode lainnya seperti Backpropagation, Support Vector Machine, dan Particle Swarm Optimazation. Dataset yang digunakan sebanyak 500 citra daun padi yang berasal dari akademi Heilongjiang Cina, dataset tersebut terdiri dari 10 kelas yaitu Blast, False Smut, Brown Spot, Bakanae, Sheath Blight, Sheath Rot, Bacterial Leaf Blight, Bacterial Sheath Rot, Seeding Blight, dan Bacterial Wilt (Lu et al., 2017). Penelitian yang memanfaatkan dataset berjumlah sedikit dalam mengklasifikasikan penyakit tanaman padi menggunakan CNN dengan transfer learning, yang berfungsi untuk membangun model pembelajarannya. Arsitektur CNN yang digunakan yaitu VGG-16 yang menghasilkan akurasi 92,46% dengan membedakan penyakit yang terdiri dari 4 kelas, diantaranya Leaf Blast, Leaf Blight, Brown Spot, dan Healthy. Proses pelatihan untuk model dataset menggunakan perbandingan 70% untuk dataset pelatihan yang berjumlah 1509, sedangkan 30% untuk data pengujian yang berjumlah 647 (Ghosal & Sarkar, 2020). Transfer learning juga digunakan pada penelitian Deep Convolutional Neural Network dengan proses klasifikasi dibagi menjadi 2 tahap yaitu tahap ekstraktor fitur dilakukan menggunakan pre-trained deep CNN dengan arsitektur Alexnet dan tahap klasifikasi menggunakan metode support vector machine, menghasilkan akurasi 91,3%. Dataset berjumlah 619 citra yang terbagi menjadi 4 kelas, diantaranya blast, bacterial leaf blight, sheath blight, dan healthy. Proses pelatihannya dengan menganalisis perbandingan jumlah dataset, terdapat 3 perbandingan diantaranya perbandingan ke-1 yaitu 60% data latih dan 40% data uji. Perbandingan ke-2 yaitu 70% data latih dan 30% data uji, perbandingan yang terakhir yaitu 80% data latih dan 20% data uji. Akurasi tertinggi diperoleh dari perbandingan ke-3. Pembagian dataset tersebut dilakukan karena ketersediaan dataset yang sedikit. (Shrivastava et al., 2019). III. METODE PENELITIAN 3.1 Analisis Kebutuhan Analisis kebutuhan merupakan batasan dari masukan, proses, dan keluaran yang terdiri dari: 1. Dataset citra: menggunakan dataset yang telah disediakan oleh (Prajapati et al., 2017), terdiri 857 citra penyakit padi yang terdiri dari brown spot (bercak coklat) dan bacterial leaf (hawar daun). Citra diambil menggunakan kamera digital SLR NIKON D90 di desa Sherta, India. Dimensi keseluruhan citra 2848x4288, dengan latar belakang berwarna putih dan pengambilan gambar dilakukan saat siang hari. 2. Masukan proses: dataset terbagi menjadi 2 kelas yaitu kelas brown spot dan kelas bacterial leaf. Citra tersebut mempunyai resolusi yang berbeda-beda sehingga dilakukan pengubahan resolusi menjadi 300x300 untuk arsitektur Efficientnet B3 Jurnal Ilmiah Sinus (JIS) Vol : 19, No. 1, Januari 2021 ISSN (Print) : 1693-1173, ISSN (Online): 2548-4028 DOI : https://doi.org/10.30646/sinus.v19i1.526 Jurnal Ilmiah SINUS (JIS)................77 dan 224x224 untuk arsitektur Mobilenet V3. Dataset terbagi menjadi 3 bagian dengan perbandingan 60 untuk data latih, 20 untuk data validasi, dan 20 untuk data uji. 3. Keluaran proses: klasifikasi terhadap penyakit brown spot dan bacterial leaf. 3.2 Perancangan Penelitian Tahapan-tahapan yang dilakukan terbagi menjadi 2 yaitu tahap pertama adalah pelatihan yang terdiri dari input citra, pembagian dataset, ekstraksi ciri, dan model jaringan masing-masing kelas. Tahap kedua merupakan tahap pengujian yang berupa klasifikasi penyakit padi. 3.3 Tahap Pelatihan Arsitektur Tahap pelatihan disebut juga dengan proses pembelajaran pada arsitektur berdasarkan fitur yang dimiliki masing-masing kelas. Tahap ini terdiri dari pembagian dataset menjadi data train, data validasi, dan data test. Pada proses ekstraksi fitur yang digunakan hanya data train dan data validasi yang menghasilkan dua kelas. Berikut tahapan pelatihan arsitektur ditampilkan pada Gambar 1.