Electronic Theses and Dissertation

Penduduk Indonesia menjadikan nasi dari padi (Oryza sativa) sebagai kebutuhan pangan pokok keseharian. Hal ini membuat padi sangat penting dan perlu dalam jumlah yang besar. Produksi padi menjadi salah satu utama dalam faktor upaya dalam ketahanan pangan nasional. Produktivitas padi sering mengalami tantangan yang serius, salah satunya dampak dari serangan penyakit dan hama. Contohnya, munculnya bercak, perubahan warna, dan lainnya. Petani melakukan deteksi dini masih secara manual yang mengakibatkan banyaknya waktu yang dihabiskan untuk memeriksa kondisi lahannya. Penelitian ini, memanfaatkan teknologi Artificial Intelligence (AI) untuk melakukan deteksi dini penyakit padi. Arsitektur Convolution Neural Network (CNN) yang digunakan adalah InceptionResNet-V2 dan DenseNet-121, yang dimana akan dibandingkan keduanya untuk mengklasifikasi penyakit padi. Selanjutnya, tantangan yang lain adalah dataset yang digunakan berjumlah 592 citra dengan 4 label, yaitu blast, blight, normal, dan tungro. Implementasi dari model InceptionResNet-V2 dan DenseNet-121 menggunakan framework Streamlit berhasil melakukan deteksi penyakit padi. Dari hasil eksprerimen yang dilakukan didapatkan hasil, seperti nilai akurasi validasi, akurasi pengujian, dan gap loss. Gap loss adalah selisih dari nilai akurasi validasi dan akurasi pelatihan. Model InceptionResNet-V2 memiliki akurasi validasi sebesar 93.33%, akurasi pengujian 91.38%, dan gap loss 0.1162. Model DenseNet-121 memiliki akurasi validasi sebesar 98.33%, akurasi pengujian 89.66%, dan gap loss 0.054. Berdasarkan hasil dari kedua model tersebut, bahwa akurasi yang dimiliki kedua model tinggi. Semakin tinggi akurasi suatu model, semakin bagus juga model tersebut. Namun, pada gap loss nilai yang dimiliki kedua model cukup jauh jaraknya. Semakin tinggi gap loss yang dimiliki model, maka rentan terjadi overfitting. Model DenseNet-121 memiliki nilai gap loss lebih rendah dibandingkan model InceptionResNet-V2. Oleh karena itu, pada kasus klasifikasi penyakit padi model DenseNet-121 lebih baik kinerjanya dibandingkan InceptionResNet-V2.

Kata kunci : Deep Learning, DenseNet-121, Image Recognition, Padi, Penyakit Tanaman, InceptionResNet-V2

Indonesians use rice (Oryza sativa) as their daily staple food. This makes rice very important and necessary in large quantities. Rice production is one of the main factors in the efforts in national food security. Rice productivity often faces serious challenges, one of which is the impact of disease and pest attacks. For example, the appearance of spots, discolouration, and others. Farmers do early detection still manually which results in a lot of time spent checking the condition of their land. In this research, utilising Artificial Intelligence (AI) technology to perform early detection of rice diseases. Convolution Neural Network (CNN) architecture used is InceptionResNet-V2 and DenseNet-121, which will be compared to classify rice diseases. Furthermore, another challenge is that the dataset used is 592 images with 4 labels, namely blast, blight, normal, and tungro. The implementation of InceptionResNet-V2 and DenseNet-121 models using the Streamlit framework successfully performed rice disease detection. From the results of the experiments conducted, results were obtained, such as the value of validation accuracy, testing accuracy, and gap loss. Gap loss is difference between validation accuracy and training accuracy. InceptionResNet-V2 model has a validation accuracy of 93.33%, a testing accuracy of 91.38%, and a gap loss of 0.1162. DenseNet-121 model has a validation accuracy of 98.33%, a testing accuracy of 89.66%, and a gap loss of 0.054. Based on the results of the two models, the accuracy of both models is high. The higher the accuracy of a model, the better the model. However, the gap loss value owned by the two models is quite far away. The higher the gap loss, the more prone to overfitting. DenseNet-121 model has a lower gap loss value than InceptionResNet-V2 model. Therefore, in the case of rice disease classification, DenseNet-121 model performs better than InceptionResNet-V2 model. Keywords : Deep Learning, DenseNet-121, Image Recognition, InceptionResNet-V2, Plant Disease, Rice