BAB II KERANGKA PEMIKIRAN
2.2. Tinjauan Studi
Nilai recall dapat diperoleh dengan persamaan [75]:
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 Keterangan:
TP = jumlah true positive TN = jumlah true negative FP = jumlah false positive FN = jumlah false negative
3. Model Penelitian dengan ResNet [79]
Penelitian dilakukan oleh Mathulaprangsan dan Patarapuwadol yang dipublikasi tahun 2020 dengan judul “Rice Diseases Recognition Using Effective Deep Learning Models Seksan”. Metode yang digunakan adalah transfer-learning yaitu ResNet dan membandingkannya dengan DensNet [80] dengan menggunakan 4 kelas (Blast, Brown Spot, Blight, Bacterial leaf streak) yang diambil dari private dataset dengan total dataset 12223 citra dan mampu mengenali / recognition penyakit pada daun padi dengan tingkat keakuratan yang baik dengan keakuratan rata-rata 91% untuk DensNet dan 95% untuk ResNet.
4. Model Penelitian dengan VGG16 [15]
Penelitian dilakukan oleh Ghosal, Shreya dan kawan-kawan yang dipublikasi tahun 2020 dengan judul “Rice Leaf Diseases Classification Using CNN with Transfer Learning”. Metode yang digunakan adalah transfer-learning yaitu VGG16 dan membandingkannya dengan CNN standar dengan menggunakan 3 kelas (Rice Blast, Brown Spot, Blight) yang diambil dari publik dan private dengan total dataset 1649 citra dan 25 epoch mampu mengenali / recognition penyakit pada daun padi dengan tingkat keakuratan yang baik dengan keakuratan rata-rata 92.46% untuk VGG16 dan 74% untuk CNN standar dengan spesifikasi komputer untuk train model yaitu Windows 10 PC dengan GPU card P4000, 64-bit Operating System.
5. Model Penelitian dengan SVM [8]
Penelitian dilakukan oleh D. Bandar dan B. Mayurathan yang dipublikasi tahun 2021 dengan judul “Detection and Classification of Rice Plant Diseases using Image Processing Techniques”. Dari penelitian ini menunjukkan bahwa metode SVM yang dikombinasikan dengan K-Nearest Neighbors dengan menggunakan 3 kelas (Rice Blast, Brown Spot, Blight) yang diambil dari private dengan total dataset 400 citra yang mana citra di resize terlebih dahulu kemudian dilakukan hapus background dan mengubah citra menjadi HSV color [81] mampu mengenali / recognition penyakit pada daun padi dengan tingkat keakuratan yang baik dengan keakuratan rata-rata 89.19%.
Tabel 2.1. Rangkuman Penelitian dengan Metode Berbeda
Penulis Judul Metode Hasil
Bari, Bifta Sama. dkk (2021) [17]
A real-time approach of diagnosing rice leaf
disease using deep learning-based faster
R-CNN framework
Faster R-CNN
Tingkat keakuratan yang sangat baik dengan keakuratan
rata-rata 98.50%
dari semua kelas (Blast, Brown Spot, Blight, Bacterial leaf
streak)
Sethy, P. K.
dkk (2020) [78]
Rice Diseases Recognition Using
Effective Deep Learning Models
Seksan Nitrogen Defciency Prediction of Rice Crop Based on
Convolutional Neural Network
GoogleNet
Tingkat keakuratan yang baik dengan keakuratan 99.40%
untuk 2 kelas (Healthy dan Unhealthy)
Mathulapra ngsan dan Patarapuwa dol (2020)
[82]
Rice Diseases Recognition Using
Effective Deep Learning Models
Seksan
ResNet
Tingkat keakuratan yang baik dengan keakuratan rata-rata 91% untuk DensNet
dan 95% untuk ResNet untuk 4 kelas (Blast, Brown
Spot, Blight, Bacterial leaf
streak) Ghosal,
Shreya. dkk (2020) [15]
Rice Leaf Diseases Classification Using
CNN with Transfer Learning
VGG16
tingkat keakuratan yang baik dengan keakuratan rata-rata
92.46% untuk VGG16 pada 3 kelas
(Rice Blast, Brown Spot, Blight) D. Bandar
dan B.
Mayurathan (2020) [8]
Detection and Classification of Rice Plant Diseases using
Image Processing Techniques
SVM
Tingkat keakuratan yang baik dengan keakuratan rata-rata
89.19% 3 kelas (Rice Blast, Brown
Spot, Blight)
Kemudian penulis juga melakukan studi terkait untuk penggunaan metode YOLO dengan dataset yang sejenis dengan dataset daun padi:
1. Deteksi Penyakit Daun Padi dengan YOLO Algoritma [32]
Penelitian dilakukan oleh Ma. Kristin Agbulos dan kawan-kawan yang dipublikasi tahun 2021 dengan judul “Identification of Leaf Blast and Brown Spot Diseases on Rice Leaf with YOLO Algorithm”. Dari penelitian ini menunjukkan bahwa metode YOLO dengan menggunakan 2 kelas (Blast, Brown Spot) yang diambil dari private dataset dengan total 200 citra dengan tingkat akurasi 90%
untuk Blast dan 70% untuk Brown Spot dengan rata-rata akurasi 75.33%.
2. Deteksi Penyakit Daun Paprika dengan Yolov5 [83]
Penelitian dilakukan oleh Midhun P. Mathew dan Therese Yamuna Mahesh yang dipublikasi tahun 2021 dengan judul “Leaf-based disease detection in bell pepper plant using YOLO v5”. Dari penelitian ini menunjukkan bahwa metode YOLOv5 yang mampu mendeteksi bercak kecil penyakit pada citra dengan kecepatan dan akurasi yang cukup besar hingga 82%.
3. Deteksi Penyakit Daun Berry dengan YOLOv4 [84]
Penelitian dilakukan oleh Monalika Padma Reddy dan Deeksha A yang dipublikasi tahun 2021 dengan judul “Mulberry leaf disease detection using YOLO”. Dari penelitian ini menunjukkan bahwa metode YOLOv4 mampu mendeteksi objek kecil penyakit pada daun berry dengan kecepatan dan akurasi yang cukup baik.
4. Deteksi Penyakit Daun Apel dengan YOLOv3 [85]
Penelitian dilakukan oleh Midhun P Mathew dan kawan-kawan yang dipublikasi tahun 2021 dengan judul “Determining the Region of Apple Leaf Affected by Disease Using YOLO V3”. Dari penelitian ini menunjukkan bahwa metode YOLOv3 mampu mendeteksi 3 kelas (Apple scab, Black rot, Cedar apple rust) dengan cukup baik.
5. Deteksi Penyakit Daun Apel dengan Yolov4 [86]
Penelitian dilakukan oleh Son, Chang Hwan yang dipublikasi tahun 2021 dengan judul “Leaf spot attention networks based on spot feature encoding for leaf disease identification and detection”. Dari penelitian ini menunjukkan bahwa
metode YOLOv4 yang di-improved mampu mendeteksi 2 kelas (Healthy dan Unhealthy) dengan cukup baik yaitu rata-rata sebesar 93%.
Tabel 2.2. Rangkuman Penelitian dengan Dataset Sejenis
Penulis Judul Metode Hasil
Ma. Kristin Agbulos (2021) [32]
Identification of Leaf Blast and Brown Spot Diseases on Rice Leaf with YOLO Algorithm
Yolov3
Menggunakan 2 kelas (Blast, Brown
Spot) yang diambil dari private dataset dengan total 200 citra dengan tingkat
akurasi 90% untuk Blast dan 70% untuk
Brown Spot dengan rata-rata akurasi
75.33%
Midhun P.
Mathew dan Therese
Yamuna Mahesh (2021) [83]
Leaf-based disease detection in bell pepper plant using
YOLO v5
Yolov5
YOLOv5 yang mampu mendeteksi
bercak kecil penyakit pada citra
dengan kecepatan dan akurasi yang cukup besar hingga
82%
Monalika Padma Reddy dan Deeksha A.
(2021) [84]
Mulberry leaf disease
detection using YOLO Yolov4
YOLOv4 mampu mendeteksi objek kecil penyakit pada
daun berry dengan kecepatan dan akurasi yang cukup
baik Midhun P.
Mathew.
dkk (2021)
Determining the Region of Apple Leaf
Affected by Disease Using YOLO V3
Yolov3
YOLOv3 mampu mendeteksi 3 kelas (Apple scab, Black rot, Cedar apple rust) dengan cukup
baik.
Son, Chang Hwan (2021) [86]
Leaf spot attention networks based on spot feature encoding
for leaf disease identification and
detection
Yolov4
YOLOv4 yang di- improved mampu mendeteksi 2 kelas
(Healthy dan Unhealthy) dengan
cukup baik yaitu rata-rata sebesar
93%.