Vol. 9 No. 3 (2025), Articles
Vol. 9 No. 3 (2025)

Evaluasi Model EficientNet-B7 pada Citra Penyakit Daun Padi

Articles
Published 2025-07-10
Bima Hendiaji Kusuma Kusuma
Universitas Nusantara PGRI Kediri
Juli Sulaksono
Universitas Nusantara PGRI Kediri
Danang Wahyu Widodo
Universitas Nusantara PGRI Kediri
PDF

Keywords

Convolutional Neural Network
EfficientNet-B7
Klasifikasi Penyakit Daun Padi

How to Cite

Evaluasi Model EficientNet-B7 pada Citra Penyakit Daun Padi. (2025). Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 9(3), 1923-1931. https://doi.org/10.29407/q02nsa41
ACM ACS APA ABNT Chicago Harvard IEEE MLA Turabian Vancouver AMA

Download Citation

Endnote/Zotero/Mendeley (RIS) BibTeX

Abstract

Penyakit daun padi seperti bacterial leaf blight, blast, dan tungro menyebabkan kerugian produktivitas pertanian yang signifikan. Penelitian ini menganalisis performa model EfficientNet-B7 untuk klasifikasi otomatis penyakit daun padi menggunakan model convolutional neural network. Dataset citra daun padi dengan tiga kategori penyakit telah melalui preprocessing dan model dilatih selama 30 epoch. Hasil menunjukkan EfficientNet-B7 mencapai akurasi 87.92%, presisi 88.17%, recall 87.92%, dan F1-score 87.92%. Analisis confusion matrix mengungkapkan performa terbaik pada bacterial leaf blight (95%), tungro (85%), dan blast (84%). Model menunjukkan pembelajaran optimal tanpa overfitting dengan validation accuracy stabil 90%. EfficientNet-B7 sangat efektif untuk deteksi penyakit daun padi dan memberikan dasar implementasi sistem deteksi di lapangan. 

PDF

References

[1] Y. Kim, Y. S. Chung, E. Lee, P. Tripathi, S. Heo, and K.-H. Kim, “Root Response to Drought Stress in Rice (Oryza sativa L.),” Int J Mol Sci, vol. 21, no. 4, 2020, doi: 10.3390/ijms21041513.

[2] M. A. R. Siregar, “PENINGKATAN PRODUKTIVITAS TANAMAN PADI MELALUI PENERAPAN TEKNOLOGI PERTANIAN TERKINI,” May 29, 2023, OSF. doi: 10.31219/osf.io/g98xr.

[3] A. C. Milano, “KLASIFIKASI PENYAKIT DAUN PADI MENGGUNAKAN MODEL DEEP LEARNING EFFICIENTNET-B6,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 1, Jan. 2024, doi: 10.23960/jitet.v12i1.3855.

[4] N. Nurkayah, A. N. Sidiq, and L. A. Murdini, “Identifikasi Prevalensi dan Karakterisasi Penyakit Tanaman Padi (Oryza Sativa L) di Kecamatan Sumber Harta, Kabupaten Musi Rawas,” Indonesian Research Journal on Education, vol. 4, no. 3, pp. 660–664, Jul. 2024, doi: 10.31004/irje.v4i3.847.

[5] F. Astriawati and Q. Anfa, “Isolasi dan Karakterisasi Fungi Pyricularia oryzae Penyebab Penyakit Blast pada Tanaman Padi,” Biospecies, vol. 18, no. 1, pp. 16–24, Jan. 2025, doi: 10.22437/biospecies.v18i1.38524.

[6] A. Purnamawati, W. Nugroho, D. Putri, and W. F. Hidayat, “Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Na"ive Bayes, SVMdan KNN,” InfoTekJar J. Nas. Inform. dan Teknol. Jar, vol. 5, no. 1, pp. 212–215, 2020, doi: https://doi.org/10.30743/infotekjar.v5i1.2934.

[7] E. Maria, F. Fadlin, and M. Taruk, “Diagnosis Penyakit Tanaman Padi Menggunakan Metode Promethee,” Inform. Mulawarman J. Ilm. Ilmu Komput, vol. 15, no. 1, pp. 27–31, 2020, doi: https://doi.org/10.30872/jim.v15i1.2844.

[8] O. A. Montesinos López, A. Montesinos López, and J. Crossa, Multivariate Statistical Machine Learning Methods for Genomic Prediction. Cham: Springer International Publishing, 2022. doi: 10.1007/978-3-030-89010-0.

[9] S. Sheila, I. Permata Sari, A. Bagas Saputra, M. Kharil Anwar, and F. Restu Pujianto, “Deteksi Penyakit Pada Daun Padi Berbasis Pengolahan Citra Menggunakan Metode Convolutional Neural Network (CNN),” MULTINETICS, vol. 9, no. 1, pp. 27–34, Apr. 2023, doi: 10.32722/multinetics.v9i1.5255.

[10] Y. Mardianto, T. Dewi, and P. Risma, “Analisis Klasifikasi Kematangan Buah Tomat dengan Pendekatan Transfer Learning Model EfficientNet,” Techno Bahari, vol. 11, no. 1, pp. 20–25, Mar. 2024, doi: 10.52234/tb.v11i1.306.

[11] M. Tan and Q. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” in Proceedings of the 36th International Conference on Machine Learning, K. Chaudhuri and R. Salakhutdinov, Eds., in Proceedings of Machine Learning Research, vol. 97. PMLR, May 2019, pp. 6105–6114. doi: https://doi.org/10.48550/arXiv.1905.11946.

[12] G. B. Prananta, H. A. Azzikri, and C. Rozikin, “REAL-TIME HAND GESTURE DETECTION AND RECOGNITION USING CONVOLUTIONAL ARTIFICIAL NEURAL NETWORKS,” METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi, vol. 9, no. 2, pp. 30–34, Sep. 2023, doi: 10.46880/mtk.v9i2.1911.

[13] R. A. Tilasefana and R. E. Putra, “Penerapan metode deep learning menggunakan algoritma CNN dengan arsitektur VGG NET untuk pengenalan cuaca,” Journal of Informatics and Computer Science (JINACS), vol. 5, no. 01, pp. 48–57, 2023, doi: https://doi.org/10.26740/jinacs.v5n01.p48-57.

[14] N. Hardi and J. Sundari, “Pengenalan Telapak Tangan Menggunakan Convolutionall Neural Network (CNN),” Reputasi: Jurnal Rekayasa Perangkat Lunak, vol. 4, no. 1, pp. 10–15, Jun. 2023, doi: 10.31294/reputasi.v4i1.1951.

[15] R. B. Dixit and C. K. Jha, “Fundus image based diabetic retinopathy detection using EfficientNetB3 with squeeze and excitation block,” Med Eng Phys, vol. 140, p. 104350, 2025, doi: https://doi.org/10.1016/j.medengphy.2025.104350.

[16] G. Marques, D. Agarwal, and I. de la Torre Díez, “Automated medical diagnosis of COVID-19 through EfficientNet convolutional neural network,” Appl Soft Comput, vol. 96, p. 106691, 2020, doi: https://doi.org/10.1016/j.asoc.2020.106691.

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Copyright (c) 2025 Bima Hendiaji Kusuma Kusuma, Juli Sulaksono, Danang Wahyu Widodo