Grape leaf image disease classification using CNN-VGG16 model

Penelitian ini bertujuan melakukan klasifikasi citra penyakit pada daun anggur dengan menggunakan pengolahan citra. Proses pengolahan citra berupa segmentasi menggunakan algoritme k-means clustering dan proses ekstraksi fitur dengan menggunakan teknik transfer learning VGG16 serta klasifikasi menggunakan CNN. Dataset diambil dari Kaggle sejumlah 4000 citra daun anggur untuk empat kelas, yaitu daun dengan campak hitam, bercak daun, daun sehat, dan hawar daun. Citra dari Google sejumlah 100 gambar juga digunakan sebagai data uji di luar dataset. Hasil dari penelitian ini diperoleh akurasi pelatihan model CNN sebesar 99,50 %. Pengujian dengan menggunakan data uji menghasilkan akurasi sebesar 97,25 % sedangkan dengan menggunakan data citra uji di luar dataset diperoleh hasil akurasi sebesar 95 %. Metode pengolahan citra yang dirancang diharapkan dapat diterapkan dalam merancang sistem untuk melakukan identifikasi dan klasifikasi citra penyakit pada daun anggur.This study aims to classify the disease image on grape leaves using image processing. The segmentation uses the k-means clustering algorithm, the feature extraction process uses the VGG16 transfer learning technique, and the classification uses CNN. The dataset is from Kaggle of 4000 grape leaf images for four classes: leaves with black measles, leaf spot, healthy leaf, and blight. Google images of 100 pieces were also used as test data outside the dataset. The accuracy of the CNN model training is 99.50 %. The classification yields an accuracy of 97.25 % using the test data, while using test image data outside the dataset obtains an accuracy of 95 %. The designed image processing method can be applied to identify and classify disease images on grape leaves