Klasifikasi Penyakit pada Buah Jeruk Berdasarkan Citra dengan Pendekatan Transfer Learning Menggunakan Arsitektur Densenet-121
DOI:
https://doi.org/10.35316/jimi.v10i1.42-47Kata Kunci:
Klasifikasi Citra, Penyakit Jeruk, Pengolahan Citra Digital, Machine Learning, DenseNet-121Abstrak
Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit pada buah jeruk berbasis citra digital dengan pendekatan machine learning. Permasalahan utama dalam budidaya jeruk adalah serangan penyakit yang memengaruhi kualitas dan kuantitas produksi. Dalam penelitian ini, dilakukan pengolahan citra buah jeruk untuk mengekstraksi fitur warna, bentuk, dan tekstur, yang kemudian digunakan sebagai input untuk algoritma klasifikasi. Penelitian ini menggunakan Arsitektur DenseNet-121 untuk klasifikasi citra buah jeruk. Dataset yang digunakan terdiri dari gambar buah jeruk sehat dan yang terkena berbagai jenis penyakit, seperti blackspot, canker, dan greening. Hasil pengujian menunjukkan bahwa arsitektur DenseNet-121 memberikan akurasi terbaik dalam mengklasifikasikan jenis penyakit jeruk dengan tingkat akurasi mencapai 99%. Sistem ini diharapkan dapat membantu petani dan pihak terkait dalam mendeteksi penyakit secara dini dan mengambil tindakan pengendalian yang tepat.
Unduhan
Referensi
[1] R. Soekarta, N. Nurdjan, and A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” INSECT, vol. 8, no. 2, pp. 143–151, 2023.
[2] S. Nurmaini, A. Darmawahyun, A. I. Sapit, M. N. Rachmatullah, Firdaus, and B. Tutuko, Pengenalan Deep Learning dan Implementasinya. UPT. Penerbit dan Percetakan Universitas Sriwijaya, 2021.
[3] M. I. Anshori, R. A. Yaqin, M. A. Z. Sidiq, and I. W. P. Agung, “Klasifikasi Jenis Jerawat Secara Otomatis Dengan Convolutional Neural Network Menggunakan Arsitektur Resnet-50,” J. Manaj. Inform., vol. 15, no. 1, pp. 73–84, 2025.
[4] William and C. Lubis, “Klasifikasi Penyakit Mata menggunakan CNN,” J. Ilmu Komput. dan Sist. Inf., vol. 10, no. 1, pp. 1–4, 2022.
[5] J. Pardede and D. A. L. Putra, “Implementasi DenseNet Untuk Mengidentifikasi Kanker Kulit Melanoma,” J. Tek. Inform. dan Sist. Inf. Vol., vol. 6, no. 3, pp. 425–433, 2020.
[6] Arnita, F. Marpaung, F. Aulia, Nita Suryani, and R. C. Nabila, Computer Vision Dan Pengolahan Citra Digital. Surabaya, Jawa Timur: Pustaka Aksara, 2022.
[7] N. Fadhilah and A. Desiani, “Klasifikasi Nyeri Punggung Bawah Menggunakan Algoritma K-Nearest Neighbor Dan Support Vector Machine,” J. Tek. Elektro dan Komputasi Vol., vol. 7, no. 1, pp. 91–98, 2025.
[8] Y. Amrozi, D. Yuliati, A. Susilo, N. Novianto, and R. Ramadhan, “Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM,” J. SISFOKOM (Sistem Inf. dan Komputer), vol. 11, no. 3, pp. 394–399, 2022.
[9] P. L. Romadloni, B. A. Kusuma, W. M. Baihaqi, F. I. Komputer, and U. A. Purwokerto, “Komparasi Metode Pembelajaran Mesin untuk Implementasi Pengambilan Keputusan dalam Menentukan Promosi Jabatan Karyawan,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 622–628, 2022.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Ilmiah Informatika
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
