Rancang Bangun Sistem Pakar Deteksi Penyakit Daun Jeruk Menggunakan Arsitektur YOLOv9
Abstract
Sulitnya melindungi tanaman pohon jeruk dikarenakan Jeruk termasuk kedalam pohon yang rentan terkena serangan penyakit yang terlihat seperti bercak pada daun jeruk, kesehatan jeruk bergantung pada petani dalam menjaga lahan pertaniannyaSalah satu manfaat penelitian ini yaitu menghasilkan sistem informasi untuk petani kebun jeruk dalam pendeteksian penyakit daun jeruk guna mencegah penurunan hasil panen dan kematian pohon jeruk, di mana ketepatan tingkat deteksi penyakit daun jeruk dapat ditentukan dengan cepat dan presisi tinggi dibandingkan klasifikasi manusia.penelitian Research and Development (RnD) dengan menggunakan metode Yolov9 sebagai metode pengembangannya. Pendekatan pada penelitian ini bertujuan agar dapat mengimplementasikan metode YOLOv9 dan menghasil sistem dalam mendeteksi penyakit daun jeruk dengan tingkat akurasi yang cukup baik fokus pada penelitian ini adalah mendeteksi penyakit daun jeruk yang diman apenyakut yang di jadikan penelitian yaitu karat, canker dan moss.temuan pada penelitian yang telah dilakukan oleh peneliti maka peneliti menemukan pada model yang telah dilatih pada penelitian ini denggan pelatihan 100 epoch menghasilkan nilai precision 0.86, recall sebesar 0.844, dengan kriteria bounding box melebihi 50% (mAP50) mencapai 0.90 dan rata-rata overlap pada setiap IoU (mAP50-95) sebesar 0.75. Sehingga nilai akurasi yang dihasilkan sebesar 87% dengan waktu pemrosesan rata-rata pergambar 34.2 ms. Dengan demikian dapat disimpulkan sistem berjalan dengan baik dalam mendeteksi penyakit daun jeruk.
Keywords
Full Text:
PDFReferences
T. Kristanti and T. Sitepu, “Sistem Pakar Hama Dan Penyakit Pada Tanaman Jeruk Manis Di Kabupaten Karo,” 2013.
E. A. Mohammed and G. H. Mohammed, “Citrus leaves disease diagnosis,” IJEECS, vol. 31, no. 2, p. 925, Aug. 2023, doi: 10.11591/ijeecs.v31.i2.pp925-932.
E. Shahbaz et al., “Citrus Canker Pathogen, Its Mechanism of Infection, Eradication, and Impacts,” Plants, vol. 12, no. 1, p. 123, Dec. 2022, doi: 10.3390/plants12010123.
B. P. S. Indonesia, “Produksi Tanaman Buah-buahan - Tabel Statistik - Badan Pusat Statistik Indonesia.” Accessed: Nov. 10, 2024. [Online]. Available: https://www.bps.go.id/id/statistics-table/2/NjIjMg==/produksi-tanaman-buah-buahan.html
B. P. S. P. Lampung, “Produksi Buah-buahan dan Sayuran Menurut Jenis Tanaman Menurut Kabupaten/Kota di Provinsi Lampung, 2023 - Tabel Statistik.” Accessed: Nov. 10, 2024. [Online]. Available: https://lampung.bps.go.id/id/statistics-table/3/U0dKc1owczVSalJ5VFdOMWVETnlVRVJ6YlRJMFp6MDkjMw==/produksi-buah-buahan-menurut-jenis-tanaman-menurut-kabupaten-kota-di-provinsi-lampung--2023.html?year=2023
A. Y. Alin, K. Kusrini, and K. A. Yuana, “The Effect of Data Augmentation in Deep Learning with Drone Object Detection,” Indonesian J. Comput. Cybern. Syst., vol. 17, no. 3, p. 237, Jul. 2023, doi: 10.22146/ijccs.84785.
E. S. Eriana, S. Kom, M. Kom, D. A. Zein, and M. Kom, “Artificial Intelligence (AI),” Angewandte Chemie International Edition, vol. 6(11), p. 1, 2023.
S. Arunachalam and G. Sethumathavan, “An effective tumor detection in MR brain images based on deep CNN approach: i-YOLOV5,” Applied Artificial Intelligence, vol. 36, no. 1, p. 2151180, Dec. 2022, doi: 10.1080/08839514.2022.2151180.
M. F. Naufal, “Analisis Perbandingan Algoritma SVM, KNN, dan CNN untuk Klasifikasi Citra Cuaca,” JTIIK, vol. 8, no. 2, pp. 311–318, Mar. 2021, doi: 10.25126/jtiik.2021824553.
K. Myagila and H. Kilavo, “A Comparative Study on Performance of SVM and CNN in Tanzania Sign Language Translation Using Image Recognition,” Applied Artificial Intelligence, vol. 36, no. 1, p. 2005297, Dec. 2022, doi: 10.1080/08839514.2021.2005297.
B. Gašparović, J. Lerga, G. Mauša, and M. Ivašić-Kos, “Deep Learning Approach For Objects Detection in Underwater Pipeline Images,” Applied Artificial Intelligence, vol. 36, no. 1, p. 2146853, Dec. 2022, doi: 10.1080/08839514.2022.2146853.
M. Brahimi, K. Boukhalfa, and A. Moussaoui, “Deep Learning for Tomato Diseases: Classification and Symptoms Visualization,” Applied Artificial Intelligence, vol. 31, no. 4, pp. 299–315, Apr. 2017, doi: 10.1080/08839514.2017.1315516.
R. Andarsyah and A. Yanuar, “Sentimen Analisis Aplikasi Posaja Pada Google Playstore Untuk Peningkatan Pospay Superapp Menggunakan Support Vector Meachine,” Vol. 16, No. 2, 2024.
N. J. Hayati, D. Singasatia, and M. R. Muttaqin, “Object Tracking Menggunakan Algoritma You Only Look Once (YOLO)v8 untuk Menghitung Kendaraan,” KOMPUTA, vol. 12, no. 2, pp. 91–99, Nov. 2023, doi: 10.34010/komputa.v12i2.10654.
S. P and A. A Deshpande, “Disease detection and classification in pomegranate fruit using hybrid convolutional neural network with honey badger optimization algorithm,” International Journal of Food Properties, vol. 27, no. 1, pp. 815–837, Dec. 2024, doi: 10.1080/10942912.2024.2365927.
A. S. Aswandi, I. Nurtanio, and A. Jalil, “Identifikasi Kerusakan Buah Kakao Akibat Serangan Hama Menggunakan Algoritma Yolov9,” vol. 11, no. 1, 2025.
B. S. Acarya, A. Muhaimin, and K. M. Hindrayani, “Identifikasi Penyakit Daun Jeruk Siam Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur EfficientNet,” G-Tech, vol. 8, no. 2, pp. 1040–1048, Apr. 2024, doi: 10.33379/gtech.v8i2.4120.
D. I. Swasono, M. A. R. Wijaya, and M. A. Hidayat, “Klasifikasi Penyakit pada Citra Buah Jeruk Menggunakan Convolutional Neural Networks (CNN) dengan Arsitektur Alexnet,” INFORMAL, vol. 8, no. 1, p. 68, Apr. 2023, doi: 10.19184/isj.v8i1.38563.
A. B. Prakosa, “Implementasi Model Deep Learning Convolutional Neural Network (Cnn) Pada Citra Penyakit Daun Jagung Untuk Klasifikasi Penyakit Tanaman”.
R. H. Ariesdianto, Z. E. Fitri, A. Madjid, and A. M. N. Imron, “Identifikasi Penyakit Daun Jeruk Siam Menggunakan K-Nearest Neighbor,” Jur. Ilm. Komp. & Infor., vol. 1, no. 2, pp. 133–140, Nov. 2021, doi: 10.54082/jiki.14.
A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT, vol. 5, no. 1, May 2020, doi: 10.31294/ijcit.v5i1.7951.
R. Ardianto and S. K. Wibisono, “Analisis Deep Learning Metode Convolutional Neural Network Dalam Klasifikasi Varietas Gandum,” vol. 6, no. 12, 2023.
B. Yanto, E. Rouza, L. Fimawahib, B. H. Hayadi, and R. R. Pratama, “Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB),” JTIIK, vol. 10, no. 1, pp. 59–66, Feb. 2023, doi: 10.25126/jtiik.20231015695.
Reezky Illmawati and Hustinawati, “YOLO V5 for Vehicle Plate Detection in DKI Jakarta,” JIKA, vol. 10, no. 1, pp. 32–43, May 2023, doi: 10.29244/jika.10.1.32-43.
T. A. Dompeipen, “Penerapan Computer Vision Untuk Pendeteksian Dan Penghitung Jumlah Manusia,” vol. 15, no. 4.
D. Sudrajat et al., “Expert System Application for Identifying Formalin and Borax in Foods Using the Certainty Factor Method,” Eurasian Journal of Analytical Chemistry.
R. H. Saputra, J. A. Baba, and M. el-Khaeri Kesuma, “Sistem Pakar Berbasis Android Untuk Diagnosis Penyakit Balita Pada Usia Neonata,” vol. 1, no. 2, pp. 59–67, 2021, doi: 10.69769/seat.v1i2.46.
DOI: http://dx.doi.org/10.36448/expert.v15i1.4273
Refbacks
- There are currently no refbacks.
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi
Published by Pusat Studi Teknologi Informasi, Fakultas Ilmu Komputer, Universitas Bandar Lampung
Gedung M Lt.2 Pascasarjana Universitas Bandar Lampung
Jln Zainal Abidin Pagaralam No.89 Gedong Meneng, Rajabasa, Bandar Lampung,
LAMPUNG, INDONESIA
Indexed by:













This work is licensed under a Creative Commons Attribution 4.0 International License.