Klasifikasi Serangga Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.29407/k99dvg58Abstract
Indonesia merupakan negara agraris dengan sekitar 40% penduduknya bermata pencaharian sebagai petani, dan padi menjadi komoditas pertanian utama. Namun, produksi padi sering kali terganggu oleh serangan hama seperti wereng dan kumbang air padi. Kurangnya pengetahuan petani dalam mengenali jenis-jenis hama secara visual menjadi tantangan tersendiri dalam penanggulangan hama. Penelitian ini bertujuan untuk melakukan klasifikasi serangga hama pada tanaman padi menggunakan algoritma Convolutional Neural Network (CNN). Dataset citra hama yang digunakan terdiri dari 2,305 gambar yang diperoleh dari situs Kaggle, dan dilakukan proses augmentasi seperti rotasi, zoom, serta flip vertikal dan horizontal. Model CNN dibangun dan dilatih dengan berbagai konfigurasi parameter seperti jumlah epoch, jenis optimizer, dan fungsi aktivasi. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan wereng dan kumbang air padi dengan akurasi tinggi sebesar 96%, serta nilai precision, recall, dan F1-score sebesar 0,96 untuk masing-masing kelas. Confusion matrix juga memperlihatkan tingkat kesalahan klasifikasi yang sangat rendah. Dengan demikian, CNN terbukti efektif dan andal dalam mengenali serta mengklasifikasikan serangga hama tanaman padi berdasarkan citra.
Keywords:
Klasifikasi hama, Tanaman padi, Convolutional Neural Network (CNN), Kaggle, Augmentasi, Pengolahan citra digital##plugins.themes.default.displayStats.downloads##
References
[1] Ayun, Qurotu, Shidiq Kurniawan, and Wahyu Adhi Saputro. "Perkembangan konversi lahan pertanian di bagian negara agraris." Vigor: Jurnal Ilmu Pertanian Tropika Dan Subtropika 5.2 (2020): 38-44.
[2] Nagara, Erliza Septia, and Rini Nurhayati. "Sistem Pendukung Keputusan Penentuan Hama Padi Menggunakan PHP." Jurnal TAM (Technology Acceptance Model) 4 (2021): 1-12, doi: https://doi.org/10.56327/jurnaltam.v4i0.31.
[3] Ramadhani, Rima Dias, et al. "Optimasi Akurasi Metode Convolutional Neural Network untuk Identifikasi Jenis Sampah." Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) 5.2 (2021): 312-318, doi: https://doi.org/10.29207/resti.v5i2.2754.
[4] Ridhovan, Andreanov, and Aries Suharso. "Penerapan metode residual network (resnet) dalam klasifikasi penyakit pada daun gandum." JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika) 7.1 (2022): 58-65, doi: https://doi.org/10.29100/jipi.v7i1.2410.
[5] Christiawan, Gracia Yoel, et al. "Penerapan Metode Convolutional Neural Network (CNN) Dalam Mengklasifikasikan Penyakit Daun Tanaman Padi." J-INTECH (Journal of Information and Technology) 11.2 (2023): 294-306, doi: https://doi.org/10.32664/j-intech.v11i2.1006.
[6] Darojat, M. D., Y. A. Sari, dan R. C. Wihandika. “Convolutional Neural Network Untuk Klasifikasi Citra Makanan Khas Indonesia”. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, vol. 5, no. 11, Oktober 2021, hlm. 4764-9, https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10096.
[7] Gaikwad, Sukanya S., and Mallikarjun Hangarge. "Pest Detection System for Rice Crop Using Pest-Net Model." First International Conference on Advances in Computer Vision and Artificial Intelligence Technologies (ACVAIT 2022). Atlantis Press, 2023, doi: https://doi.org/10.2991/978-94-6463-196-8_45.
[8] Akram, Ar'rafi & Fayakun, Kun & Ramza, Harry. (2023). Klasifikasi Hama Serangga pada Pertanian Menggunakan Metode Convolutional Neural Network. Building of Informatics, Technology and Science (BITS). 5, doi: 10.47065/bits.v5i2.4063.
[9] Azmi, Khairul, Sarjon Defit, and Sumijan Sumijan. "Implementasi convolutional neural network (CNN) untuk klasifikasi batik tanah liat sumatera barat." Jurnal Unitek 16.1 (2023): 28-40, doi: https://doi.org/10.52072/unitek.v16i1.504.
[10] Maulana, Sandy Andika, et al. "Penerapan Metode CNN (Convolutional Neural Network) Dalam Mengklasifikasi Jenis Ubur-Ubur." Jurnal Penelitian Rumpun Ilmu Teknik 2.4 (2023): 122-130, doi: https://doi.org/10.55606/juprit.v2i4.3084.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Bryan Rizqi Prakosa, Made Ayu Dusea Widyadara, Umi Mahdiyah
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
