IMPLEMENTASI ALGORITMA TRANSFER LEARNING DENSENET121 PADA APLIKASI DETEKSI PENYAKIT TANAMAN MENGGUNAKAN TENSORFLOW

Indonesia merupakan negara agraris yang mata pencaharian sebagian besar
penduduknya bekerja sebagai petani. Menurut Food and Argriculture Organization
(FAO), menyatakan bahwa serangan penyakit pada tanaman menyebabkan
terjadinya penurunan produksi tanaman hingga 40%. Oleh karena itu, pentingnya
sebuah sistem untuk membantu petani mengidentifikasi penyakit yang menyerang
tanaman. Perkembangan teknologi, khususnya dalam bidang deep learning
memberikan peluang dalam menghadapi permasalahan tersebut. Salah satu
algoritma yang dapat digunakan dalam mengidentifikasi penyakit pada tanaman
pertanian adalah algoritma Convolutional Neural Network (CNN) dengan
menggunakan metode transfer learning. Penelitian ini bertujuan untuk
mengidentifikasi penyakit yang menyerang daun tanaman tomat, kentang, dan
jagung dengan menggunakan arsitektur transfer learning DenseNet121. Penelitian
ini menggunakan tiga jenis dataset citra daun tanaman tomat, kentang, dan jagung
yang masing-masing berjumlah 1.500 citra dengan tiga kelas prediksinya masing-
masing. Dataset pertama mencakup citra daun tomat dengan kelas prediksi early
blight, late blight, dan daun tomat sehat. Dataset kedua terdiri dari citra daun
kentang dengan kelas prediksi early blight, late blight, dan daun kentang sehat.
Sementara itu, dataset ketiga terdiri dari citra daun jagung dengan kelas prediksi
blight, common rust, dan daun jagung sehat. Diperoleh hasil penelitian untuk model
deteksi tanaman penyakit tomat yaitu training accuracy 96% dengan loss 0.113 dan
validation accuracy 92% dengan loss 0.196. Sementara untuk model deteksi
penyakit tanaman kentang diperoleh hasil training accuracy 97% dengan loss 0.07
dan validation accuracy 95% dengan loss 0.09. Sedangkan untuk model deteksi
penyakit tanaman jagung diperoleh hasil training accuracy 99% dengan loss 0.02
dan validation accuracy 100% dengan loss 0.01. Pada pengujian white box
diperoleh precision 92%, recall 92%, dan F-1 score 92% untuk model deteksi
penyakit tanaman tomat, precision 96%, recall 96%, F-1 score 96% untuk model
deteksi penyakit tanaman kentang, dan precision 100%, recall 100%, dan F-1 score
100% untuk model deteksi penyakit tanaman jagung. Pada pengujian black box
diperoleh presentase 100% tercapai dan 0% gagal. Sedangkan user acceptance test
menghasilkan 90%. Dari hasil keseluruhan pengujian membuktikan bahwa aplikasi
ini layak digunakan.
Kata kunci : Penyakit tanaman, Transfer Learning, DenseNet121 tensorflow,
Convolutional Neural Network