DOI: https://doi.org/10.14710/transmisi.27.2.83-91

IDENTIFIKASI DAN KLASIFIKASI PENYAKIT PADA TANAMAN KOPI ARABICA DENGAN METODE CNN DAN TRANSFER LEARNING DENSENET-201

*Irmawan Irmawan orcid  -  Departemen Teknik Elektro, Universitas Sriwijaya Palembang, Indonesia
Rendiansyah Rendiansyah  -  Departemen Teknik Elektro, Universitas Sriwijaya Palembang, Indonesia
Gustini Gustini orcid  -  Departemen Teknik Mesin, Universitas Sriwijaya Palembang, Indonesia
S. A. Harahap  -  Departemen Teknik Elektro, Universitas Sriwijaya Palembang, Indonesia
Dikirim: 30 Sep 2024; Diterbitkan: 30 Apr 2025.
Akses Terbuka Copyright (c) 2025 Transmisi: Jurnal Ilmiah Teknik Elektro under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Sari

Kopi Arabika adalah tanaman tropis dengan harga jual yang relatif tinggi dan berfungsi sebagai sumber devisa bagi Indonesia. Kualitas dan produksi kopi Arabika akan terpengaruh jika rentan terhadap serangan. Penyakit yang terkait dengan perubahan iklim meliputi cuaca, suhu, kelembapan, tanah, perawatan tanaman yang tidak memadai, dan ketinggian tanah, dengan kemajuan teknologi informasi, permasalahan identifikasi dan klasifikasi jenis penyakit pada tanaman kopi dapat lebih cepat dan akurat. Metode kecerdasan buatan dapat diaplikasikan untuk membantu petani dalam mengidentifikasi berbagai jenis penyakit kopi, salah satunya metode Deep Learning. Penelitian untuk identifikasi dan klasifikasi penyakit pada bidang pertanian dengan menggunakan metode Deep Learning telah menghasilkan peningkatan yang luar biasa. Penelitian dengan memanfaatkan Deep Learning telah dilakukan untuk mendeteksi apakah daun tanaman kopi Arabica mengidap penyakit Cercospora, Leaf Rust, Miner dan Phoma atau sehat. Pengujian metode CNN dengan akurasi 94,2% dan Transfer learning Densenet-201 dengan akurasi 97,2%.

Fulltext View|Download
Kata Kunci: Kopi Arabica; Deep learning; CNN; Alexnet; Densenet-201

Article Metrics:

Article Info
Bagian: Artikel - Teknologi Informasi dan Komputer
Bahasa : ID
Recent articles
PENGENDALIAN AGV MENGGUNAKAN RASPBERRY PI DAN MOTOR DC DENGAN SISTEM PENGENALAN LINTASAN MENGGUNAKAN KAMERA DAN SENSOR INFRAMERAH INOVASI SIMULATOR DAN ALAT UJI PERFORMA HYBRID STORAGE SYSTEM BATERAI DAN SUPERKAPASITOR NEBULA: WEB-BASED INTERACTIVE DASHBOARD FOR MONITORING TUBERCULOSIS CASES IN SEMARANG CITY IDENTIFIKASI DAN KLASIFIKASI PENYAKIT PADA TANAMAN KOPI ARABICA DENGAN METODE CNN DAN TRANSFER LEARNING DENSENET-201 RANCANG BANGUN MESIN COLD STORAGE DENGAN SISTEM KOMPRESI UAP BERBASIS IOT DESIGN OF A CASCODE BIPOLAR JUNCTION TRANSISTOR (BJT) RADIO FREQUENCY (RF) AMPLIFIER CIRCUIT PEMANFAATAN ENERGI PANEL SURYA UNTUK SMART GARDEN BERBASIS INTERNET OF THINGS MENGGUNAKAN APLIKASI BLYNK More recent articles
Most cited articles
PENGENDALIAN pH AIR DENGAN METODE PID PADA MODEL TAMBAK UDANG Aplikasi Kendali PID Menggunakan Skema Gain Scheduling Untuk Pengendalian Suhu Cairan pada Plant Electric Water Heater SKENARIO MANAJEMEN ENERGI RENDAH EMISI SEKTOR RUMAH TANGGA UNTUK MENGURANGI EMISI GAS CO2 DI KOTA SEMARANG RANCANG BANGUN SISTEM PEMANTAUAN INFUS BERBASIS ANDROID PERANCANGAN APLIKASI PEMANTAU DAN PENGENDALI PIRANTI ELEKTRONIK PADA RUANGAN BERBASIS WEB More cited articles
  1. . Ruvananda AR, Taufiq. Analisis faktor-faktor yang mempengaruhi impor beras di Indonesia. 2022;19(2):195-204
  2. . Thoriq A, Sugandi WK, Sampurno RM, Soleh. Peningkatan Pengetahuan Dan Tindakan Petani Dalam Budi Daya Tanaman Kopi Berbasis Agroforestri. 2020;17(3):209-19
  3. . Faizin A, Maghfiroh. Pengaruh rorak terhadap serangan hama pada tanaman kopi Robusta (Coffea robusta L.). 2023;5(2):54-67
  4. . Lubis MSY, editor Implementasi Kecerdasan buatan Pada System Manufaktur Terpadu. Prosiding Seminar Nasional Teknik UISU (SEMNASTEK); 2021
  5. . Solichah C, Wicaksono D, Waluya W, Brotodjojo R. Pengendalian Hayati Hama dan Penyakit Tanaman Kopi. 2020
  6. . Irfansyah D, Mustikasari M, Suroso. Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi. 2021;6(2):87-92
  7. . Yuliany S, Rachman A. Implementasi Deep Learning pada Sistem Klasifikasi Hama Tanaman Kopi Menggunakan Metode Convolutional Neural Network (CNN). 2022;13(1):54-65
  8. . Murni S, Widiyanto D, Dewi CNP, editors. Klasifikasi Citra Penyakit Daun Kopi Arabika Menggunakan Support Vector Machine (SVM) dengan Seleksi Fitur Information Gain. Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya; 2022
  9. . Jatmoko C, Sinaga D, editors. Metode K-Nearest Neighbor dan Ekstraksi Fitur GLCM untuk Mengklasifikasikan Biji Kopi Robusta dan Arabika Lokal. Seminar Nasional Teknologi dan Multidisiplin Ilmu (SEMNASTEKMU); 2022
  10. . Windiawan R, Suharso. Identifikasi penyakit pada daun kopi menggunakan metode Deep Learning VGG16. 2021;13(2):43-50
  11. . Fatchurrachman A, Udjulawa. Identifikasi Penyakit Pada Tanaman Kopi Berdasarkan Citra Daun Menggunakan Metode Convolution Neural Network. 2023;3(2):151–9-–9
  12. . Wahyuningtyas B, Tritoasmoro II, Ibrahim NJeoE. Identifikasi Penyakit Pada Daun Kopi Menggunakan Metode Local Binary Pattern Dan Random Forest. 2023;9(6)
  13. . Wildah SK, Latif A, Mustopa A, Suharyanto S, Maulana MS, Sasongko AJJ. Klasifikasi Penyakit Daun Kopi Menggunakan Kombinasi Haralick, Color Histogram dan Random Forest. 2023;11(1):36-41
  14. . Pathak AR, Pandey M, Rautaray S. Application of Deep Learning for object detection. 2018;132:1706-17
  15. . O'shea K, Nash RJapa. An introduction to convolutional neural networks. 2015
  16. . Alom MZ, Taha TM, Yakopcic C, Westberg S, Sidike P, Nasrin MS, et al. The history began from alexnet: A comprehensive survey on Deep Learning approaches. 2018
  17. . Ying W, Zhang Y, Huang J, Yang Q, editors. Transfer learning via learning to transfer. International conference on machine learning; 2018: PMLR

Last update:

No citation recorded.

Last update: 2025-05-29 18:07:36

No citation recorded.