Editorial Pertanian & Lingkungan
Open AccessOA2023
EffiMob-Net: Model Hibrida Berbasis Deep Learning untuk Deteksi dan Identifikasi Penyakit Tomat Menggunakan Citra Daun
EffiMob-Net, model deep learning hibrida yang menggabungkan EfficientNetB3 dan MobileNet, mendeteksi penyakit daun tomat dengan akurasi 99,92% pada dataset PlantVillage, menawarkan detektor otomatis yang andal untuk penggunaan pertanian.
Zahid Ullah; Najah M. Alsubaie; M. Jamjoom; S. Alajmani; F. Saleem· Agriculture· 2023· DOI 10.3390/agriculture13030737
Masalah inti
Tomat adalah sayuran yang paling banyak dikonsumsi secara global, dan produksinya terancam oleh hama serta penyakit yang diperparah oleh pemanasan global dan perubahan iklim. Deteksi dan pencegahan penyakit tersebut sangat penting untuk memastikan kelangsungan hidup dan hasil tanaman tomat. Kecerdasan artifisial (AI), khususnya deep learning (DL), belakangan ini berkontribusi signifikan pada agronomi dengan memungkinkan deteksi penyakit melalui citra daun. Makalah ini mengusulkan pendekatan berbasis DL hibrida, EffiMob-Net, yang memfusikan dua model terlatih—EfficientNetB3 dan MobileNet—untuk mendeteksi penyakit daun tomat secara akurat. Studi ini menjawab kebutuhan akan detektor otomatis yang andal untuk mendukung produktivitas pertanian.
Inovasi
Model EffiMob-Net yang diusulkan merupakan fusi arsitektur EfficientNetB3 dan MobileNet. Untuk mengurangi overfitting, penulis menerapkan regularisasi, dropout, dan batch normalization (BN). Penyetelan hyperparameter dilakukan untuk memilih parameter optimal guna membangun model dengan kecocokan terbaik. Model dilatih dan diuji pada dataset PlantVillage, yang berisi citra daun tomat baik yang sakit maupun sehat. Arsitektur hibrida ini memanfaatkan kekuatan kedua model dasar: EfficientNetB3 untuk ekstraksi fitur yang efisien dan MobileNet untuk komputasi yang ringan. Fusi ini dirancang untuk menangkap fitur komplementer, sehingga meningkatkan akurasi deteksi. Kinerja model dievaluasi menggunakan metrik akurasi, dengan pengklasifikasi terbaik dipilih untuk deteksi penyakit.
Pendahuluan
Tomat adalah sayuran yang paling banyak dikonsumsi secara global, dan produksinya terancam oleh hama serta penyakit yang diperparah oleh pemanasan global dan perubahan iklim. Deteksi dan pencegahan penyakit tersebut sangat penting untuk memastikan kelangsungan hidup dan hasil tanaman tomat. Kecerdasan artifisial (AI), khususnya deep learning (DL), belakangan ini berkontribusi signifikan pada agronomi dengan memungkinkan deteksi penyakit melalui citra daun. Makalah ini mengusulkan pendekatan berbasis DL hibrida, EffiMob-Net, yang memfusikan dua model terlatih—EfficientNetB3 dan MobileNet—untuk mendeteksi penyakit daun tomat secara akurat. Studi ini menjawab kebutuhan akan detektor otomatis yang andal untuk mendukung produktivitas pertanian.
Mengapa penting
Temuan menunjukkan bahwa EffiMob-Net adalah detektor otomatis yang andal untuk penyakit tanaman tomat, dengan potensi signifikan untuk berkontribusi pada solusi yang lebih baik dalam mendeteksi penyakit tanaman lain di bidang pertanian. Akurasi yang tinggi (99,92%) menegaskan efektivitas model deep learning hibrida dalam pertanian presisi. Penggunaan regularisasi, dropout, dan batch normalization sangat penting dalam mencegah overfitting, memastikan model dapat menggeneralisasi dengan baik pada data yang belum pernah dilihat. Penyetelan hyperparameter lebih lanjut mengoptimalkan kinerja. Batasan studi ini mencakup evaluasi pada satu dataset (PlantVillage), yang mungkin tidak sepenuhnya merepresentasikan kondisi lapangan. Penelitian selanjutnya dapat memperluas model ke tanaman lain dan skenario dunia nyata. Secara keseluruhan, EffiMob-Net merupakan kemajuan yang menjanjikan dalam deteksi penyakit tanaman berbasis AI, menawarkan alat yang skalabel dan akurat bagi petani dan ahli agronomi.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten member…