51¶¯Âþ

Jagung merupakan tanaman sumber karbohidrat kompleks utama selain padi. Indonesia merupakan negara penghasil jagung nomor tujuh di dunia dengan produksi jagung lebih dari 20 juta ton per tahunnya.  Konsumsi jagung saat ini tidak terbatas hanya untuk pangan, namun juga pakan dan industri lainnya. Konsumsi jagung untuk pangan terbatas 34%, sedangkan untuk pangan dapat mencapai 57%. Saat ini Indonesia terus meningkatkan kuantitas produksi jagung.

Salah satu kendala untuk meningkatkan produksi jagung yaitu munculnya hama dan penyakit. Kerugian yang diakibatkan adanya hama dan penyakit dapat menyebabkan kualitas jagung menurun hingga gagal panen, Usaha untuk melakukan pengenalan (recognition) penyakit serta pengendaliannya diperlukan. Penyakit pada tanaman jagung umumnya dapat dideteksi melalui daun, batang dan tongkol. Namun penyakit paling mematikan hingga menyebabkan kegagalan panen hingga 90% yaitu penggerek batang.  

Recognition penyakit dapat dilakukan melalui teknologi computer vision dan deep learning.  Computer vision bekerja untuk memperbaiki citra batang jagung. Sedangkan deep learning melakukan fungsi klasifikasi dan recognition terhadap penyakit yang terdapat pada citra obyek tersebut. Deep learning melakukan pembelajaran terhadap data training untuk selanjutnya menghasilkan model. Keberhasilan pengujian tergantung pada model yang dihasilkan pada saat proses training.

Klasifikasi Citra menggunakan Residual Network

Metode deep learning yang penggunaannya sangat luas untuk computer vision yaitu Convolutional Neural Network (CNN). Residual network (Resnet) merupakan salah satu tipe arsitektur pada CNN. Resnet merupakan pemenang pada imagenet competition pada 2015. Resnet memiliki ciri skip connection yang menghubungkan output pada dua layer sebelumnya menjadi input layer berikutnya. Berbeda dengan CNN sequential diantaranya alexnet, VGG dan squeezenet, CNN skip connection memiliki fungsi memanfaatkan kembali parameter sebelumnya. Jadi jumlah parameter yang diolah lebih sederhana, sehingga menghasilkan komputasi lebih cepat. Selain itu ResNet mengatasi kejenuhan dari CNN sequential yang tidak menghasilkan perbaikan pada deeper layer. 

Resnet dapat diandalkan untuk melakukan recognition terhadap penyakit pada batang tanaman jagung. Data primer diolah melalui preprosesing dengan melakukan resize terhadap semua citra menjadi berukuran 224×224. Selanjutnya data dibagi menjadi dua bagian yaitu training dan testing dengan prosentase 80:20.

Proses berikutnya yaitu melakukan training data dengan Resnet untuk mendapatkan model terbaik. Jumlah citra data primer yang terbatas menjadi kendala untuk mendapatkan model yang baik. Sehingga perlu dilakukan augmentasi terhadap data primer

Metode dan Hasil

Penelitian ini menerapkan kebaruan diantaranya:

1.  Data batang jagung diperoleh dari lahan jagung di Bangkalan, Madura. Data primer ditambah dengan sepuluh teknik augmentasi yang berbeda. Augmentasi menghasilkan 2.010 citra, data primer 201 citra sehingga total citra menjadi 2.211.
2. Ekstraksi dan klasifikasi fitur dilakukan dengan CNN. Kami memilih arsitektur CNN dengan akurasi terbaik. Selanjutnya, modifikasi arsitektur akurasi terbaik. Perubahan sederhana dibuat, terutama pada jumlah layer dan filter.
3. Sebagai perbandingan, kami menguji skenario untuk berbagai jenis layer CNN seperti efek global average pooling, batch-size, Rectified Linear Unit (ReLU), LeakyReLU dan dropout.

Ukuran data sebagai masukan dari setiap arsitektur CNN berbeda. Untuk Resnet, VGG, dan Googlenet menggunakan 224×224 piksel, sedangkan Alexnet menggunakan 227×227 piksel. Dalam penelitian ini, kami melakukan sepuluh teknik augmentasi: horizontal flip, vertical flip, rotate right, rotate left, auto-adjust colors, dan koreksi gamma dengan nilai 2,3,4,5 dan 6.

Skenario pengujian

1. Klasifikasi citra batang jagung menggunakan CNN alexnet, VGG, ResNet dan googlenet. Paremeter epoch 10, learning rate 310e-4, dan ukuran minibatch 64.
2. Klasifikasi citra busuk batang jagung menggunakan modifikasi CNN terbaik dari skenario pertama. Lakukan konversi dengan mengubah jumlah ukuran filter dan layer.
3. Eksperimen menggunakan beragam nilai epoch, learning rate, dan ukuran minibatch serta mempelajari efek layer pada hasil arsitektur CNN dari skenario pengujian 2.

Hasil klasifikasi

1. Pada skenario pengujian pertama menghasilkan akurasi terbaik hingga 99,55% menggunakan arsitektur ResNet18 dengan komputasi 2 menit 42 detik.
2. Pada skenario pengujian kedua, hasil modifikasi ResNet18 menjadi enam modifikasi arsitektur ResNet18. Ujicoba menghasilkan akurasi terbaik sama dengan skenario pertama yaitu 99.55%. Namun waktu komputasi lebih sederhana yaitu 2 menit 25 detik.
3. Hasil modifikasi parameter dan tipe layer pada skenario pengujian ketiga tidak memberikan perubahan perbaikan akurasi maupun waktu komputasi.

Ketiga hasil langkah pengujian menunjukkan bahwa penggunaan CNN ResNet cukup baik untuk melakukan pengenalan (recognition) terhadap penyakit pada batang tanaman jagung dapat diwujudkan dengan bantuan perangkat komputer.

Penulis: Dr. Riries Rulaningtyas, S.T.. M.T

Informasi detail dari riset ini dapat dilihat pada tulisan kami di:

Wahyudi Setiawan, Yoga Dwitya Pramudita, Riries Rulaningtyas, “Modified-Residual Network For Maize Stalk Rots Diseases Classification”, Communications in Mathematical Biology and Neuroscience (2022) Article ID 110