KLASIFIKASI CITRA PENYAKIT DAUN JAGUNG MENGGUNAKAN ALGORITMA CNN EFFCIENTNET

Abstract

Abstrak Tanaman jagung termasuk jenis makanan pokok dengan jumlah konsumsi tinggi sebagai makanan pokok yang ada di Indonesia. Dengan jumlah konsumsi yang tinggi, maka produksi tanaman jagung juga memiliki tingkat tanam yang juga tinggi. Untuk mengidentifikasi jenis penyakit daun dalam skala tanam yang besar tidak mudah dilakukan dengan cara manual karena membutuhkan ketelitian dan memakan waktu yang cukup lama. Penelitian ini bertujuan untuk mengindentifikasi penyakit daun jagung menggunakan metode convolutional neural network (CNN) dengan arsitektur effcientNetB1, effcientNetB2, dan efficienetNetB3. Penelitian menggunakan dataset sebanyak 4118 citra dengan ukuran 260 x 260 dan membagi dataset dengan persentase data pelatihan sebesar 80% dengan 10% data uji dan 10% data validasi. Hasil pengujian menunjukan arsitektur dari efficienNet memiliki nilai akurasi yang tinggi sebesar 97.77%. Kata kunci: CNN, Penyakit Daun Jagung, Karat Daun, efficienNet. Abstract Maize is a staple food with high consumption as the main staple food in Indonesia. With a high amount of consumption, the production of corn plants also has a high planting level. Identifying the type of leaf disease on a large planting scale is not easy to do manually because it requires accuracy and takes a long time. This study aims to identify corn leaf diseases using the convolutional neural network (CNN) method with effcientNetB1, effcientNetB2, and efficienetNetB3 architectures. The study used a dataset of 4118 images with a size of 260 x 260 and divided the dataset with a training data percentage of 80% with 10% test data and 10% validation data. The test results show that the architecture of efficienNet has a high accuracy value of 97.77%.