Pendeteksian Septoria pada Tanaman Tomat dengan Metode Deep Learning berbasis Raspberry Pi
| Autor: | Afdhal Afdhal, Kahlil Muchtar, Chairuman, Yudha Nurdin |
|---|---|
| Rok vydání: | 2021 |
| Předmět: |
Intel Movidius Neural Computing Stick
Computer science raspberry pi Machine learning computer.software_genre Convolutional neural network lcsh:TA168 Raspberry pi Septoria Leaf spot lcsh:T58.5-58.64 biology Artificial neural network lcsh:Information technology business.industry Deep learning Supervised learning CNN deep learning Intel Movidius Neural Computing Stick raspberry pi septoria deep learning biology.organism_classification Septoria lycopersici lcsh:Systems engineering septoria Artificial intelligence business computer CNN |
| Zdroj: | Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi); Vol 5 No 1 (2021): Februari 2021; 107-113 Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), Vol 5, Iss 1, Pp 107-113 (2021) |
| ISSN: | 2580-0760 |
| DOI: | 10.29207/resti.v5i1.2831 |
| Popis: | much needed to meet the needs of both industry and households. However, tomato plants still require serious handling in increasing the yields. Data from the Central Bureau of Statistics shows that the number of tomatoes produced is not in accordance with a large number of market demands, resulting from the decrease of tomato yields. One of the obstacles in increasing tomato production is that the crops are attacked by septoria leaf spot disease due to the fungus or the fungus Septoria Lycopersici Speg. Most farmers have limited knowledge of the early symptoms, which are not obvious, and also facing difficulty in detecting this disease earlier. The problem has been causing disadvantages such as crop failure or plant death. Based on this problem, a study will be conducted with the aim of designing a tool that can be used to detect septoria leaf spot disease based on deep learning using the Convolutional Neural Network (ConvNets or CNN) model, where an algorithm that resembles human nerves is one of the supervised learning and widely used for solving linear and non-linear problems. In addition, the researcher used the Raspberry Pi as a microcontroller and used the Intel Movidius Neural Computing Stick (NCS) which functions to speed up the computing process so that the detection process is easier because of its portable, fast and accurate nature. The average accuracy rate is 95.89% with detection accuracy between 84.22% to 100%. Salah satu komoditas hortikultura sayuran yang memiliki potensi untuk dikembangkan adalah tanaman tomat, karena memiliki nilai ekonomis yang tinggi, juga banyak dibutuhkan dalam memenuhi kebutuhan baik dalam industri maupun rumah tangga. Namun, tanaman tomat masih memerlukan penanganan serius dalam meningkatkan hasil. Data dari Badan Pusat Statistik menunjukkan bahwa jumlah tomat yang diproduksi tidak sesuai dengan banyaknya permintaan pasar, hal ini karena hasil produksi tomat menurun. Salah satu kendala dalam peningkatan hasil produksi tomat yaitu, tanaman terserang penyakit bercak daun septoria akibat cendawan atau jamur Septoria Lycopersici Speg. Keterbatasan pengetahuan petani akan gejala awal yang tidak tampak jelas dan sukarnya mendeteksi secara cepat terhadap penyakit ini, menyebabkan kerugian seperti; gagal panen ataupun matinya tumbuhan. Berdasarkan masalah tersebut, maka akan dilaksanakan sebuah penelitian dengan tujuan merancang alat yang dapat digunakan untuk mendeteksi penyakit bercak daun septoria berbasis pembelajaran mendalam dengan menggunakan model Convolutional Neural Network (ConvNets atau CNN), dimana algoritma yang menyerupai saraf manusia ini merupakan salah satu pembelajaran terawasi dan banyak digunakan untuk pemecahan masalah linear maupun nonlinear. Selain itu, peneliti memanfaatkan Raspberry Pi sebagai mikrokontroler serta menggunakan Intel Movidius Neural Computing Stick (NCS) yang berfungsi untuk mempercepat proses komputasi sehingga proses pendeteksian lebih mudah karena sifatnya yang portable, cepat dan akurat. Tingkat akurasi rata-rata yang dihasilkan adalah 95.89% dengan akurasi perdeteksi antara 84.22% s/d 100%. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|