Klasifikasi Tinggi Tanaman Jagung dengan Menggunakan Image dan Mobile Net
Kata Kunci:
Klasifikasi tinggi tanaman, MobileNet, Pemrosesan citraAbstrak
Dengan berkembangnya teknologi di bidang pertanian, sistem untuk mendeteksi tinggi tanaman semakin mungkin dikembangkan. Salah satu tantangan utamanya adalah bagaimana mendeteksi dan mengklasifikasikan tinggi tanaman secara akurat menggunakan gambar dan algoritma MobileNet. Penelitian ini mengembangkan metode klasifikasi tinggi jagung menggunakan citra digital dan MobileNet, yang dipilih karena ringan, cepat, dan efisien, ideal untuk perangkat mobile dan embedded systems. Dalam pertanian presisi, pengukuran tinggi tanaman penting untuk menilai pertumbuhan dan kesehatan. Dataset gambar tanaman jagung dengan tinggi 20 cm, 50 cm, dan 110 cm digunakan untuk melatih dan menguji MobileNet, yang menunjukkan akurasi 95%. Evaluasi komputasi menunjukkan bahwa MobileNet cocok untuk aplikasi skala besar pada perangkat terbatas, dan berpotensi digunakan untuk pemantauan pertanian real-time guna meningkatkan produktivitas dan efisiensi.
Referensi
Chen, J., Zhang, D., Suzauddola, M., Nanehkaran, Y. A., & Sun, Y. (2021). Identification of plant disease images via a squeeze-and-excitation MobileNet model and twice transfer learning. IET Image Processing, 15(5), 1115–1127. https://doi.org/10.1049/ipr2.12090
David, R., Duke, J., Jain, A., Reddi, V. J., Jeffries, N., Li, J., Kreeger, N., Nappier, I., Natraj, M., Regev, S., Rhodes, R., Wang, T., & Warden, P. (2020). TensorFlow Lite Micro: Embedded Machine Learning on TinyML Systems. http://arxiv.org/abs/2010.08678
Dora Fatma Nurshanti, Yeni Astuti, & Susanti Diana. (2019). PENGARUH PEMBERIAN AIR TERHADP PERTUMBUHAN DAN PRODUKSI JAGUNG MANIS (Zea mays). 2579–5171.
Edel, G., & Kapustin, V. (2022). Exploring of the MobileNet V1 and MobileNet V2 models on NVIDIA Jetson Nano microcomputer. Journal of Physics: Conference Series, 2291(1). https://doi.org/10.1088/1742-6596/2291/1/012008
Habibi, I., Setyawan, F., & Rahayu, P. (2021). PENGARUH PUPUK LIMBAH CINCAU HITAM TERHADAP PERTUMBUHAN TANAMAN JAGUNG (Zea mays L.). Zea Mays L.). Jurnal Buana Sains, 21(2), 1412–1638.
Havlíček, V., Córcoles, A. D., Temme, K., Harrow, A. W., Kandala, A., Chow, J. M., & Gambetta, J. M. (2019). Supervised learning with quantum-enhanced feature spaces. Nature, 567(7747), 209–212. https://doi.org/10.1038/s41586-019-0980-2
Khasoggi, B., Ermatita, & Samsuryadi. (2019). Efficient mobilenet architecture as image recognition on mobile and embedded devices. Indonesian Journal of Electrical Engineering and Computer Science, 16(1), 389–394. https://doi.org/10.11591/ijeecs.v16.i1.pp389-394
Lu, D., & Weng, Q. (2007). A survey of image classification methods and techniques for improving classification performance. In International Journal of Remote Sensing, 28 (5), pp. 823–870). Taylor and Francis Ltd. https://doi.org/10.1080/01431160600746456
Maramba, R., & Sidiq Purnomo, A. (2024). RESOLUSI : Rekayasa Teknik Informatika dan Informasi Sistem Pakar Diagnosa Penyakit Tanaman Jagung Menggunakan Metode Forward Chaining. Media Online, 4(4), 435. https://djournals.com/resolusi
Roihan, A. A. S. P. R. A. S. (2019). IJCIT (Indonesian Journal on Computer and Information Technology) Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper. In IJCIT (Indonesian Journal on Computer and Information Technology), 5 (1).
Toldinas, J., Venčkauskas, A., Damaševičius, R., Grigaliūnas, Š., Morkevičius, N., & Baranauskas, E. (2021). A novel approach for network intrusion detection using multistage deep learning image recognition. Electronics (Switzerland), 10(15). https://doi.org/10.3390/electronics10151854
Wang, W., Li, Y., Zou, T., Wang, X., You, J., & Luo, Y. (2020). A novel image classification approach via dense-mobilenet models. Mobile Information Systems, 2020. https://doi.org/10.1155/2020/7602384
Wulandari, I., Yasin, H., & Widiharih, T. (2020). Klasifikasi Citra Digital Bumbu Dan Rempah Dengan Algoritma Convolutional Neural Network (CNN). https://ejournal3.undip.ac.id/index.php/gaussian/
Yu, W., & Lv, P. (2021). An End-to-End Intelligent Fault Diagnosis Application for Rolling Bearing Based on MobileNet. IEEE Access, 9, 41925–41933. https://doi.org/10.1109/ACCESS.2021.3065195.
