Deteksi Residu InsektisidaProfenofos pada Cabai Merah (Capsium annumL.)melalui Augmentasi Citra dan CNN (Convolutional Neural Network)
DOI:
https://doi.org/10.24843/JBETA.2024.v12.i02.p11Kata Kunci:
Augmentasi Citra, CNN, InsektisidaProfenofosAbstrak
Penggunaan insektisida dalam pertanian meningkat pesat namun juga menghadapi tantangan terkait dampak negatifnya terhadap kesehatan manusia dan lingkungan. Salah satu insektisida yang umum digunakan adalah profenofos. Profenofos sering digunakan petani untuk mengendalikan hama pada tanaman cabai merah di Indonesia. Oleh karena itu, deteksi residu insektisida profenofos pada cabai penting untuk memastikan keamanan konsumsi cabai. Penelitian ini bertujuan untuk mengembangkan metode baru dalam mendeteksi residu insektisida profenof os pada cabai merah ( Capsicum Annum L .) melalui augmentasi citra dan CNN ( Convolutional Neural Network ). Dalam penelitian ini, dilakukan penyiapan larutan insektisida , pengambilan citra cabai, pengujian dengan GC ( Gas Chromatography ) Agilent 6890N , pra - pem rosesan citra, dan implementasi pemodelan CNN. Dilakukan penyemprotan pada 15 cabai dengan konsentrasi 0 dan 10 mg/l, diikuti pengambilan citra menggunakan smartphone sehingga terdapat 30 citra. Selanjutnya, setiap citra diaugmentasi sebanyak 50 kali, menghasilkan total 1530 citra. Proses ini melibatkan rotasi, pergeseran, zoom , serta horizontal dan vertical flipping . Model CNN yang terdiri dari convolution layer dan fully connected dilatih dengan optimizer Adam, loss function categor ical crossentropy , learning rate 0,0001, dan dilakukan pelatihan sebanyak 20 epoch . Hasil analisis menunjukkan bahwa model mencapai akurasi sebesar 85% dengan nilai precision , recall , dan F1 - score masing - masing adalah 0,86; 0,85; dan 0,84. Berdasarkan hasi l tersebut, dapat disimpulkan bahwa metode augmentasi citra dan CNN telah berhasil mendeteksi residu insektisida profenofos pada cabai merah dengan konsentrasi 0 dan 10 mg/l.Referensi
Akram, A., Fayakun, K., & Ramza, H. (2023). Klasifikasi Hama Serangga pada Pertanian Menggunakan Metode Convolutional Neural Network. Building of Informatics, Technology and Science (BITS), 5(2). https://doi.org/10.47065/bits.v5i2.4063
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021).Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8(1), 53. https://doi.org/10.1186/s40537-021-00444-8
Amin, F., & Mahmoud, M. (2022). Confusion matrix in binary classification problems: a step-by-step tutorial. Journal of Engineering Research, 6(5), 0.http://dx.doi.org/10.21608/erjeng.2022.274526
Ardiwinata, A. N., Ginoga, L. N., Sulaeman, E., & Harsanti, E. S. (2018). Pesticide residue monitoring on agriculture in Indonesia.
300Jurnal Sumberdaya Lahan, 12(2), 133–144.
Ashraf, H. N., Walayat, N., Saleem, M. H., Niaz, N., Hafeez, A., Atiq, M. N., Chattha, M. S., El-Sheikh, M. A., & Ali, S. (2022). Determination of pesticide residues from grapes procured from different markets using through high performance liquid chromatography (HPLC). Pakistan Journal of Botany, 54(2), 737–741. http://dx.doi.org/10.30848/PJB2022-2(19)
Badan Pusat Statistik. (2023). Produksi Tanaman Sayuran 2022.
Banerjee, K., & Hübschmann, H.-J. (2022). Automation in Pesticide Residue Analysis in Foods: A Step toward Smarter Laboratories and Green Chemistry. ACS Agricultural Science & Technology, 2(3), 426–429. https://doi.org/10.1021/acsagscitech.2c00126
Deepalakshmi, P., Lavanya, K., & Srinivasu, P. N. (2021). Plant leaf disease detection using CNN algorithm. International Journal of Information System Modeling and Design (IJISMD), 12(1), 1–21. https://doi.org/10.4018/IJISMD.2021010101
Dijk, T. van, & Croon, G. de. (2019). How do neural networks see depth in single images? Proceedings of the IEEE/CVF International Conference onComputer Vision, 2183–2191.
Elngar, A. A., Arafa, M., Fathy, A., Moustafa, B., Mahmoud, O., Shaban, M., & Fawzy, N. (2021). Image classification based on CNN: a survey. Journal of Cybersecurity and Information Management, 6(1), 18–50. https://doi.org/10.54216/JCIM.060102
Fachrel, J., Pravitasari, A. A., Yulita, I. N., Ardhisasmita, M. N., & Indrayatna, F. (2023). Enhancing an Imbalanced Lung Disease X-ray Image Classification with the CNN-LSTM Model. Applied Sciences, 13(14), 8227. https://doi.org/10.3390/app13148227
Food and Agriculture Organization of the United Nations. (2020).World Food and Agriculture-Statistical Yearbook 2020. Food and Agriculture Organization of the United Nations.
Gong, M. (2021). A novel performance measure for machine learning classification. International Journal of Managing Information Technology (IJMIT) Vol, 13. https://doi.org/10.5121/ijmit.2021.13101
Hassan, H., Elsayed, E., El-Raouf, A. E.-R. A., & Salman, S. N. (2019). Method validation and evaluation of household processing on reduction of pesticide residues in tomato. Journal of Consumer Protection and Food Safety, 14(1), 31–39. https://doi.org/10.1007/s00003-018-1197-2
Hendra, Sarbino, & Syahputra, E. (2021). Pengaruh Frekuensi Penyemprotan Insektisida Profenofos untuk Mengendalikan Lalat Buah Bactrocera Spp pada Tanaman Cabai. Jurnal Sains Pertanian Equator, 10(1), 1–12. http://dx.doi.org/10.26418/jspe.v10i1.43865
Ibrahim, M. S., Hamid, S. A., Muhammad, Z., Leh, N. A. M., Abdullah, S., Bakar, S. J. A., Osman, M. K., & Fadhlullah, S. Y. (2022). CNN Comparative Study for Apple Quality Classification. 2022 IEEE 12th International Conference on Control System, Computing and Engineering (ICCSCE), 53–58. https://doi.org/10.1109/ICCSCE54767.2022.9935652
Lee, J., Ko, K., & Chung, H. (2022). Application of colorimetric sensor in monitoring dissolved CO2 in natural waters. Journal of Environmental Management, 312, 114893. https://doi.org/https://doi.org/10.1016/j.jenvman.2022.114893
Lyu, X., Peng, W., Yu, W., Xin, Z., Niu, S., & Qu, Y. (2021). Sustainable intensification to coordinate agricultural efficiency and environmental protection: A systematic review based on metrological visualization. Journal of Land Use Science, 16(3), 313–338. https://doi.org/10.1080/1747423X.2021.1922524
Manggala, B., Chaichana, C., Syahputra, W. N. H., & Wongwilai, W. (2023). Pesticide residues detection in agricultural products: A review. Natural and Life Sciences Communications, 22(3), e2023049. https://doi.org/10.12982/NLSC.2023.049
Palakodati, S. S. S., Chirra, V. R. R., Yakobu, D., & Bulla, S. (2020). Fresh and Rotten Fruits Classification Using CNN and Transfer Learning. Rev. d’Intelligence Artif., 34(5), 617–622. https://doi.org/10.18280/ria.340512
Pratama, D., Wijaya, S., Santosa, S. A., & Tamba, S. P. (2023). Penerapan Neural Network LSTM dalam Memprediksi Sentimen Pengguna Twitter terhadap Bitcoin. Jurnal Tekinkom (Teknik Informasi Dan Komputer), 6(2), 349–354. https://doi.org/10.37600/tekinkom.v6i2.921
Putra, I. W. W. P., Setiyo, Y., Gunam, I. B. W., & Anggreni, A. A. M. D. (2021). Isolation
301and identification of profenofos pesticide degrading bacterium from soil sample of Bedugul, Indonesia. IOP Conference Series: Earth and Environmental Science,724(1). https://doi.org/10.1088/1755-1315/724/1/012037
Sanjaya, J., & Ayub, M. (2020). Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup. Jurnal Teknik Informatika Dan Sistem Informasi, 6(2). https://doi.org/10.28932/jutisi.v6i2.2688
Shahid, A. H., & Singh, M. P. (2020). A deep learning approach for prediction of Parkinson’s disease progression. Biomedical Engineering Letters, 10(2), 227–239. https://doi.org/10.1007/s13534-020-00156-7
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 1–48. https://doi.org/10.1186/s40537-019-0197-0
Son, T. T., Lee, C., Le-Minh, H., Aslam, N., & Dat, V. C. (2022). An enhancement for image-based malware classification using machine learning with low dimension normalized input images. Journal of Information Security and Applications, 69, 103308. https://doi.org/https://doi.org/10.1016/j.jisa.2022.103308
Suwimantara, I. M. G., Sucipta, I. N., & Tika, I. W. (2022).Hubungan antara Penggunaan Alat Pelindung Diri (APD) dengan Keluhan Petani akibat Pestisida (Studi Kasus di Subak Sri Gumana,Desa Rejasa,Kabupaten Tabanan). JURNAL BETA (BIOSISTEM DAN TEKNIK PERTANIAN), 10(1), 186–190. https://doi.org/10.24843/JBETA.2022.v10.i01.p19
Taareluan, J. A., Ngangi, J., Roring, V. I. Y., & Ogi, N. L. (2021). Toksisitas Ekstrak Daun Jarak (Ricinus communis Linnaeus) Sebagai Biopestisida Terhadap Mortalitas Hama Larva Bawang Daun(Spodoptera exigua Hubner). NUKLEUS BIOSAINS, 2(1), 1–9. https://ejurnal.unima.ac.id/index.php/nukleus-biosains/article/view/2441
Yang, H., Ni, J., Gao, J., Han, Z., & Luan, T. (2021). A novel method for peanut variety identification and classification by Improved VGG16. Scientific Reports, 11(1), 15756
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Ketentuan Lisensi
Semua artikel yang diterbitkan dalam Jurnal Beta (Biosistem dan Teknik Pertanian) bersifat open access dan dilisensikan di bawah Creative Commons Attribution 4.0 International License (CC BY 4.0). Hal ini berarti siapa pun berhak untuk:
-
Berbagi — menyalin dan mendistribusikan kembali materi dalam bentuk atau format apa pun.
-
Adaptasi — menggubah, mengubah, dan mengembangkan materi untuk tujuan apa pun, termasuk tujuan komersial.
Namun, hak tersebut diberikan dengan ketentuan sebagai berikut:
-
Atribusi — Anda harus memberikan pengakuan yang sesuai, menyertakan tautan ke lisensi, dan menunjukkan jika ada perubahan yang dilakukan. Hal ini dapat dilakukan dengan cara yang wajar, tetapi tidak boleh dengan cara yang menyiratkan bahwa pemberi lisensi mendukung Anda atau penggunaan Anda.
-
Tanpa pembatasan tambahan — Anda tidak boleh menerapkan ketentuan hukum atau langkah teknologi yang secara hukum membatasi orang lain untuk melakukan hal-hal yang diizinkan oleh lisensi ini.
Dengan mengirimkan artikel ke Jurnal Beta (Biosistem dan Teknik Pertanian), penulis menyetujui penerbitan karya mereka di bawah lisensi akses terbuka ini. Hak cipta tetap dimiliki oleh penulis, namun penulis memberikan hak publikasi pertama kepada Jurnal Beta (Biosistem dan Teknik Pertanian).
Untuk informasi lebih lanjut mengenai lisensi CC BY 4.0, silakan kunjungi situs resmi: https://creativecommons.org/licenses/by/4.0/
