Klasifikasi Penyakit Daun Pada Tanaman Jagung Menggunakan Algoritma Support Vector Machine, K-Nearest Neighbors dan Multilayer Perceptron
I will put the dimension here
Abstract
Corn is one of the substitute staple foods in Indonesia after rice. Maize crops grown in Indonesia often experience considerable losses due to maize plant diseases. Generally, plant diseases are initially caused by morphological changes in the leaves. Accurate detection and classification of diseases that appear on the leaves will prevent the widespread spread of the disease. This study will compare classification algorithms, namely Support Vector Machine, K-Nearest Neighbors, and Multilayer Perceptron to find the best algorithm in the classification of leaf disease in corn plants, namely, cercospora leaf spot gray, common rust, and northern leaf blight using the VGG-16 deep learning model used as image feature extraction. The results showed that the Multilayer Perceptron algorithm produced the best values with accuracy, precision, and recall of 97.4% each.
Downloads
References
U. Mawaddah, A. L. Virganta, N. Adinda, D. Z. Br Ginting, C. F. Aulia, and I. Hasugian, “Eskalasi Nilai Ekonomi Jagung Melalui Kreasi Olahan Makanan di Desa Kolam Kecamatan Percut Sei Tuan Kabupaten Deli Serdang,” Bunga Rampai Usia Emas, vol. 7, no. 2, pp. 56–62, Dec. 2021.
S. Rahmawati and Y. Widayanti, “Pengembangan Formulasi Biomassa Limbah Pohon Sengon Dan Bonggol Jagung Dalam Inovasi Senggol- Char (Biochar Limbah Pohon Sengon Dan Bonggol Jagung) Melalui Proses Pirolisis,” p. 7, 2022.
E. H. Rachmawanto and H. P. Hadi, “Optimasi Ekstraksi Fitur Pada Knn Dalam Klasifikasi Penyakit Daun Jagung,” vol. 22, no. 2, p. 10, 2021.
T. F. Kusumaningrum, “Implementasi convolution neural network (CNN) untuk klasifikasi jamur konsumsi di Indonesia menggunakan Keras,” Universitas Islam Indonesia, Yogyakarta, 2018.
I. P. Putra, R. Rusbandi, and D. Alamsyah, “Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network,” J. Algoritme, vol. 2, no. 2, pp. 102–112, Apr. 2022, doi: 10.35957/algoritme.v2i2.2360.
Moh. A. Hasan, Y. Riyanto, and D. Riana, “Grape leaf image disease classification using CNN-VGG16 model,” J. Teknol. Dan Sist. Komput., vol. 9, no. 4, pp. 218–223, Oct. 2021, doi: 10.14710/jtsiskom.2021.14013.
J. Kusuma, J. Abwabul, M. Zulkarnain Lubis, Rubianto, and R. Rosnelly, “Komparasi Algoritma Support Vector Machine Dan Naive Bayes Pada Klasifikasi Ras Kucing,” J. Generic, vol. 14, no. 2, pp. 8–12, Jan. 2022.
V. A. Gunawan and L. S. A. Putra, “Comparison of American Sign Language Use Identification using Multi-Class SVM Classification, Backpropagation Neural Network, K - Nearest Neighbor and Naive Bayes,” Teknik, vol. 42, no. 2, pp. 137–148, Aug. 2021, doi: 10.14710/teknik.v42i2.36929.
N. Veni and J. Manjula, “High-performance visual geometric group deep learning architectures for MRI brain tumor classification,” J. Supercomput., Mar. 2022, doi: 10.1007/S11227-022-04384-9.
E. Prasetyo, R. Purbaningtyas, R. D. Adityo, E. T. Prabowo, and A. I. Ferdiansyah, “Perbandingan Convolution Neural Network Untuk Klasifikasi Kesegaran Ikan Bandeng Pada Citra Mata,” J. Teknol. Inf. Dan Ilmu Komput., vol. 8, no. 3, p. 601, Jun. 2021, doi: 10.25126/jtiik.2021834369.
S. BHATTARAI, “New Plant Diseases Dataset,” Nov. 18, 2018. https://www.kaggle.com/datasets/vipoooool/new-plant-diseases-dataset
R. Rismiyati and A. Luthfiarta, “VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification,” Telematika, vol. 18, no. 1, p. 37, Mar. 2021, doi: 10.31315/telematika.v18i1.4025.
A. Saudi, S. H. Tanalol, and M. Musa, “Comparative Study of Ensemble Method vs Deep Learning on Human Activity Recognition for Elderly Care,” vol. 10, no. 1, p. 12, 2022, doi: https://doi.org/10.37134/jsml.vol10.1.4.202.
J. Kusuma, A. Jinan, and Z. Situmorang, “Penerapan Decision Tree Algoritma C4.5 Dalam Penentuan Izin Pembongkaran Muatan Kapal,” vol. 7, no. 1, p. 5, 2022.
Copyright (c) 2023 Jaka Kusuma, Rubianto, Rika Rosnelly, Hartono, B. Herawan Hayadi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Pernyataan Hak Cipta dan Lisensi
Dengan mengirimkan manuskrip ke Journal of Applied Computer Science and Technology (JACOST), penulis setuju dengan kebijakan ini. Tidak diperlukan persetujuan dokumen khusus.
- Hak cipta pada setiap artikel adalah milik penulis.
- Penulis mempertahankan semua hak mereka atas karya yang diterbitkan, tak terbatas pada hak-hak yang diatur dalam laman ini.
- Penulis mengakui bahwa Journal of Applied Computer Science and Technology (JACOST) sebagai yang pertama kali mempublikasikan dengan lisensi Creative Commons Atribusi 4.0 Internasional (CC BY-SA).
- Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada Journal of Applied Computer Science and Technology (JACOST);
- Penulis menjamin bahwa artikel asli, ditulis oleh penulis yang disebutkan, belum pernah dipublikasikan sebelumnya, tidak mengandung pernyataan yang melanggar hukum, tidak melanggar hak orang lain, tunduk pada hak cipta yang secara eksklusif dipegang oleh penulis.
- Jika artikel dipersiapkan bersama oleh lebih dari satu penulis, setiap penulis yang mengirimkan naskah menjamin bahwa dia telah diberi wewenang oleh semua penulis bersama untuk menyetujui hak cipta dan pemberitahuan lisensi (perjanjian) atas nama mereka, dan setuju untuk memberi tahu rekan penulis persyaratan kebijakan ini. Journal of Applied Computer Science and Technology (JACOST) tidak akan dimintai pertanggungjawaban atas apa pun yang mungkin timbul karena perselisihan internal penulis.
Lisensi :
Journal of Applied Computer Science and Technology (JACOST) diterbitkan berdasarkan ketentuan Lisensi Creative Commons Atribusi 4.0 Internasional (CC BY-SA). Lisensi ini mengizinkan setiap orang untuk :.
- Berbagi — menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun;
- Adaptasi — menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun.
Lisensi :
-
Atribusi — Anda harus mencantumkan nama yang sesuai, mencantumkan tautan terhadap lisensi, dan menyatakan bahwa telah ada perubahan yang dilakukan. Anda dapat melakukan hal ini dengan cara yang sesuai, namun tidak mengisyaratkan bahwa pemberi lisensi mendukung Anda atau penggunaan Anda.
-
BerbagiSerupa — Apabila Anda menggubah, mengubah, atau membuat turunan dari materi ini, Anda harus menyebarluaskan kontribusi Anda di bawah lisensi yang sama dengan materi asli.
