Penyakit tanaman pada jagung dapat menyebabkan kerugian yang signifikan dalam produksi pangan, yang berdampak pada perekonomian Indonesia. Salah satu metode yang mulai berkembang untuk mendeteksi dan mengklasifikasikan penyakit tanaman adalah penggunaan Convolutional Neural Networks (CNN), yang telah terbukti efektif dalam analisis citra. Penelitian ini bertujuan untuk mengevaluasi dan menganalisis penerapan CNN dalam klasifikasi penyakit pada daun jagung berdasarkan literatur yang ada. Melalui Systematic Literature Review (SLR), penelitian ini menilai berbagai arsitektur CNN yang digunakan untuk klasifikasi penyakit tanaman, termasuk pada jagung, cabai, kentang, dan lada.
Hasil penelitian menunjukkan bahwa metode CNN, terutama dengan arsitektur seperti EfficientNet, mampu mencapai akurasi tinggi, dengan rata-rata akurasi sebesar 98,22%. Berbagai arsitektur CNN menunjukkan kinerja yang beragam tergantung pada dataset dan teknik prapemrosesan yang digunakan. Penelitian ini memberikan wawasan tentang bagaimana model CNN dapat dioptimalkan untuk mendeteksi penyakit tanaman dengan akurasi yang lebih tinggi, serta mengidentifikasi tantangan dan potensi penerapannya pada berbagai jenis tanaman.
| Word | TW | HV | Detail |
|---|---|---|---|
| 1. aaa | 91 words | 0.8 | analysis : 0.67, of : 0, the : 0, use : 0, convolutional : 0, neural : 0.5, network : 0, cnn : 0, on : 0, classification : 0.47, maize : 0.51, plant : 0.51, diseases : 0.49, systematic : 0.48, literature : 0.48, review : 0, penyakit : 0.49, tanaman : 0.65, jagung : 0.5, menyebabkan : 0.47, kerugian : 0, signifikan : 0, produksi : 0, pangan : 0.67, berdampak : 0.48, perekonomian : 0, indonesia : 0, salah : 0.69, satu : 0.53, metode : 0, mulai : 0.51, berkembang : 0, mendeteksi : 0, mengklasifikasikan : 0.46, penggunaan : 0, networks : 0, terbukti : 0, efektif : 0, analisis : 0.67, citra : 0, penelitian : 0, bertujuan : 0, mengevaluasi : 0.47, menganalisis : 0.61, penerapan : 0.48, klasifikasi : 0.47, daun : 0.53, berdasarkan : 0.62, literatur : 0.48, ada : 0.8, melalui : 0.49, slr : 0, menilai : 0, arsitektur : 0.53, digunakan : 0.48, termasuk : 0.49, cabai : 0.69, kentang : 0.49, lada : 0.72, hasil : 0.51, menunjukkan : 0, bahwa : 0.51, terutama : 0.49, seperti : 0, efficientnet : 0, mampu : 0.51, mencapai : 0.49, akurasi : 0.69, tinggi : 0, rata : 0.72, sebesar : 0, 98 : 0, 22 : 0, kinerja : 0, beragam : 0.49, tergantung : 0.48, dataset : 0.65, teknik : 0, prapemrosesan : 0.47, memberikan : 0, wawasan : 0.65, tentang : 0.49, bagaimana : 0.63, model : 0, dioptimalkan : 0.47, serta : 0, mengidentifikasi : 0, tantangan : 0.63, potensi : 0, penerapannya : 0.61, jenis : 0 |
| 2. bbb | 91 words | 0.66 | analysis : 0, of : 0, the : 0, use : 0, convolutional : 0, neural : 0, network : 0, cnn : 0, on : 0, classification : 0, maize : 0, plant : 0, diseases : 0, systematic : 0, literature : 0, review : 0, penyakit : 0, tanaman : 0, jagung : 0, menyebabkan : 0.47, kerugian : 0, signifikan : 0, produksi : 0, pangan : 0, berdampak : 0.53, perekonomian : 0, indonesia : 0, salah : 0, satu : 0, metode : 0, mulai : 0, berkembang : 0.66, mendeteksi : 0, mengklasifikasikan : 0, penggunaan : 0, networks : 0, terbukti : 0.49, efektif : 0, analisis : 0, citra : 0, penelitian : 0, bertujuan : 0.53, mengevaluasi : 0, menganalisis : 0, penerapan : 0, klasifikasi : 0, daun : 0, berdasarkan : 0.53, literatur : 0, ada : 0, melalui : 0, slr : 0, menilai : 0, arsitektur : 0, digunakan : 0, termasuk : 0, cabai : 0.51, kentang : 0, lada : 0, hasil : 0, menunjukkan : 0, bahwa : 0.56, terutama : 0, seperti : 0, efficientnet : 0, mampu : 0, mencapai : 0, akurasi : 0, tinggi : 0, rata : 0, sebesar : 0.49, 98 : 0, 22 : 0, kinerja : 0, beragam : 0.54, tergantung : 0, dataset : 0, teknik : 0, prapemrosesan : 0, memberikan : 0.48, wawasan : 0, tentang : 0, bagaimana : 0.53, model : 0, dioptimalkan : 0, serta : 0, mengidentifikasi : 0, tantangan : 0, potensi : 0, penerapannya : 0, jenis : 0 |