Klasifikasi Penyakit Daun Pisang Menggunakan Radial Basis Function Neural Network (RBFNN)

Albert Willyam; Evasaria Magdalena Sipayung

doi:10.31004/riggs.v5i2.9744

Authors

Albert Willyam Universitas Bunda Mulia
Evasaria Magdalena Sipayung Universitas Bunda Mulia

DOI:

https://doi.org/10.31004/riggs.v5i2.9744

Keywords:

Penyakit Daun Pisang, Klasifikasi Citra, RBFNN, Machine Learning

Abstract

Penyakit daun pisang merupakan salah satu faktor utama yang menyebabkan penurunan kualitas dan kuantitas hasil panen, sehingga diperlukan metode deteksi yang cepat dan akurat untuk mendukung penanganan dini. Identifikasi penyakit secara konvensional masih bergantung pada pengamatan visual oleh pakar, yang bersifat subjektif, memerlukan waktu, dan sulit diterapkan secara luas. Penelitian ini bertujuan untuk menerapkan metode Radial Basis Function Neural Network (RBFNN) dalam mengklasifikasikan penyakit daun pisang berbasis citra digital serta mengembangkan aplikasi berbasis web sebagai alat bantu identifikasi bagi pengguna. Dataset yang digunakan berupa citra daun pisang yang terdiri atas beberapa kelas, yaitu daun sehat dan beberapa jenis penyakit daun seperti Sigatoka, Pestalotiopsis, dan Cordana. Tahapan penelitian meliputi pengumpulan data, praproses citra (resize dan normalisasi), ekstraksi fitur, pembagian data latih dan data uji, pelatihan model RBFNN, serta evaluasi kinerja sistem. Pengembangan perangkat lunak dilakukan menggunakan model Software Development Life Cycle (SDLC) Waterfall, sedangkan sistem diimplementasikan dalam bentuk aplikasi web menggunakan framework Flask. Kinerja model dievaluasi menggunakan confusion matrix dengan metrik akurasi, presisi, dan recall untuk menilai kemampuan klasifikasi pada setiap kelas penyakit. Hasil pengujian menunjukkan bahwa metode RBFNN mampu mengklasifikasikan penyakit daun pisang dengan tingkat akurasi yang baik dan proses komputasi yang relatif cepat, sehingga layak digunakan sebagai sistem pendukung keputusan dalam bidang pertanian. Dengan adanya sistem ini, diharapkan petani dan pihak terkait dapat melakukan identifikasi penyakit daun pisang secara lebih dini dan akurat, sehingga dapat mengurangi risiko kerugian akibat keterlambatan penanganan dan meningkatkan produktivitas pertanian.

Downloads

Download data is not yet available.

References

X. Zhao, L. Wang, Y. Zhang, X. Han, M. Deveci, and M. Parmar, “A review of convolutional neural networks in computer vision,” Artif. Intell. Rev., vol. 57, p., 2024, doi: 10.1007/s10462-024-10721-6.

A. Drenth and G. Kema, “The vulnerability of bananas to globally emerging disease threats.,” Phytopathology, p., 2021, doi: 10.1094/phyto-07-20-0311-rvw.

K. L. Narayanan et al., “Banana Plant Disease Classification Using Hybrid Convolutional Neural Network,” Comput. Intell. Neurosci., vol. 2022, 2022, doi: 10.1155/2022/9153699.

E. M. Sipayung and E. Christopher R., “Klasifikasi Image Jenis Kayu pada Furnitur dengan Convolutional Neural Network,” Jurnal Telematika, vol. 18, no. 2, pp. 82–87, Jan. 2024, doi: 10.61769/telematika.v18i2.617.

Y. A. Suwitono and F. J. Kaunang, “Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras,” Jurnal Komtika (Komputasi dan Informatika), vol. 6, no. 2, pp. 109–121, Nov. 2022, doi: 10.31603/komtika.v6i2.8054.

D. C. Sulaiman and T. M. S. Mulyana, “Web-Based Writing Learning Application of Basic Hanacaraka Using Convolutional Neural Network Method,” Ultimatics : Jurnal Teknik Informatika, vol. 15, no. 1, pp. 28–34, Jun. 2023, doi: 10.31937/ti.v15i1.2993.

T. Vignesh, E. Srie, and V. Janani, “Segmentation and Classification of Leaf Disease Using Radial Basis Function neural Network,” 2023.

V. Raja, D. M, G. Solaimalai, D. Rani, P. Deepa, and R. Vidhya, “Machine Learning Revolutionizing Performance Evaluation: Recent Developments and Breakthroughs,” 2024 2nd International Conference on Sustainable Computing and Smart Systems (ICSCSS), pp. 780–785, 2024, doi: 10.1109/icscss60660.2024.10625103.

A. Kafilah Ba et al., “Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory),” 2025.

Pratama, M. Duta, Gustriansyah, Rendra, Purnamasari, Evi, “Klasifikasi Penyakit Daun Pisang menggunakan Convolutional Neural Network (CNN)”, 2024, Journal of Integrated Technology, doi: 10.54914/jtt.v10i1.1167.

K. Jenis et al., “Classification of Banana Types Based on Color, Texture, Image Shape Features Using SVM and KNN,” 2021.

Rio Subandi, Herman, and Anton Yudhana, “Pre-Processing Pada Klasifikasi Citra Medis Pneumonia,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 4, no. 1, pp. 86–93, Nov. 2023, doi: 10.51454/decode.v4i1.198.

A. Ciputra, D. Rosal, I. M. Setiadi, E. H. Rachmawanto, and A. Susanto, “KLASIFIKASI TINGKAT KEMATANGAN BUAH APEL MANALAGI DENGAN ALGORITMA NAIVE BAYES DAN EKSTRAKSI FITUR CITRA DIGITAL,” Jurnal SIMETRIS, vol. 9, no. 1, 2018.

Z. Wang, M. Chen, and J. Chen, “Solving multiscale elliptic problems by sparse radial basis function neural networks,” ArXiv, vol. abs/2309.03107, p., 2023, doi: 10.1016/j.jcp.2023.112452.

S. Aisyah, S. Wahyuningsih, and F. Amijaya, “PERAMALAN JUMLAH TITIK PANAS PROVINSI KALIMANTAN TIMUR MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK,” Jambura Journal of Probability and Statistics, p., 2021, doi: 10.34312/jjps.v2i2.10292.

A. Tharwat, “Classification assessment methods,” Applied Computing and Informatics, p., 2020, doi: 10.1016/j.aci.2018.08.003.

M. I. Hossain, “Software Development Life Cycle (SDLC) Methodologies for Information Systems Project Management,” 2023. [Online]. Available: www.ijfmr.com

A. Agarwal, A. Agarwal, D. K. Verma, D. Tiwari, and R. Pandey, “A Review on Software Development Life Cycle,” International Journal of Scientific Research in Computer Science, Engineering and Information Technology, p., 2023, doi: 10.32628/cseit2390387.