Keywords
Deep Learning
Platform Website
Penyakit Daun Padi
How to Cite
Abstract
Tanaman padi merupakan komoditas utama dalam ketahanan pangan di Indonesia, namun produksinya sering terhambat oleh serangan penyakit daun. Permasalahan ini semakin kompleks di daerah terpencil yang memiliki keterbatasan akses internet dan perangkat komputasi. Oleh karena itu, diperlukan sistem klasifikasi penyakit daun padi yang efisien dan dapat dijalankan pada perangkat dengan sumber daya terbatas. Penelitian ini membandingkan beberapa arsitektur deep learning seperti CNN, ResNet, EfficientNetB0, dan DenseNet121, serta model machine learning klasik seperti SVM, Random Forest, Naive Bayes, XGBoost, dan LightGBM. Dataset yang digunakan berasal dari Kaggle, terdiri atas 120 citra dari tiga jenis penyakit daun padi, yaitu Bacterial leaf blight, Brown spot, dan Leaf smut. Hasil pelatihan dan pengujian pada citra berukuran 224x224 piksel menunjukkan bahwa MobileNetV2 dengan sekitar 2,4 juta parameter mencapai akurasi tertinggi sebesar 91,67%, dengan nilai rata-rata precision, recall, dan f1-score sebesar 0,92. Model ini kemudian diintegrasikan ke dalam platform website yang memungkinkan deteksi penyakit secara langsung tanpa memerlukan alat khusus. MobileNetV2 terbukti efisien dan sangat sesuai untuk digunakan oleh petani di lapangan.
References
[1] I. Verawati, “Klasifikasi Penyakit Daun Padi Menggunakan KNN dengan GLCM dan Canny Edge Detection,” Jurnal Media Informatika Budidarma, vol. 8, no. 1, p. 517, 2024.
[2] D. MARGARITA, “Klasifikasi Penyakit Daun Padi Menggunakan Support Vector Machine Berdasarkan Fitur Mendalam (Deep Feature),” vol. 9, no. 4, pp. 1-21, 2024.
[3] A. Purnamawati, “Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVMdan KNN,” InfoTekJar: Jurnal Nasional Informatika dan Teknologi Jaringan, vol. 5, no. 1, pp. 212-215, 2020.
[4] R. R. Burhanuddin, “Klasifikasi Penyakit Padi Melalui Citra Daun Menggunakan Metode Naive Bayes,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, 2024.
[5] U. N. Oktaviana, “Klasifikasi Penyakit Padi berdasarkan Citra Daun Menggunakan Model Terlatih Resnet101,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 6, pp. 1216-1222, 2021.
[6] M. Khoiruddin, “Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network,” Journal of Dinda : Data Science, Information Technology, and Data Analytics, vol. 2, no. 1, pp. 37-45, 2022.
[7] R. A. Saputra, “Penerapan Algoritma Convolutional Neural Network Dan Arsitektur MobileNet Pada Aplikasi Deteksi Penyakit Daun Padi,” Swabumi, vol. 9, no. 2, pp. 184-188, 2021.
[8] I. F. Annur, “Klasifikasi Tingkat Keparahan Penyakit Leafblast Tanaman Padi Menggunakan MobileNetv2,” Fountain of Informatics Journal, vol. 8, no. 1, 2023.
[9] O. V. Putra, “Transfer Learning untuk Klasifikasi Penyakit dan Hama Padi Menggunakan MobileNetV2,” Techno.Com, vol. 22, no. 3, pp. 562-575, 2023.
[10] O. V. Putra, “Transfer Learning untuk Klasifikasi Penyakit dan Hama Padi Menggunakan MobileNetV2,” Techno.Com, vol. 22, no. 3, pp. 562-575, 2023.
[11] Asseweth, “TANAMAN PADI MENGGUNAKAN ARSITEKTUR DENSENET-169 SKRIPSI OLEH : MUHAMMAD YAZID ABUD ASSEWETH FAKULTAS TEKNIK UNIVERSITAS MEDAN AREA MEDAN TANAMAN PADI MENGGUNAKAN ARSITEKTUR DENSENET-169 SKRIPSI Diajukan sebagai salah satu Syarat untuk Memperoleh Gelar Sa,” 2024.
[12] D. Putri Ayuni, “Augmentasi Data Pada Implementasi Convolutional Neural Network Arsitektur Efficientnet-B3 Untuk Klasifikasi Penyakit Daun Padi,” ZONAsi: Jurnal Sistem Informasi, vol. 5, no. 2, pp. 239-249, 2023.
[13] B. Suswati, “Implementasi Convolutional Neural Network pada Klasifikasi Citra Daun Tanaman Hias,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 4, no. 2, pp. 554-565, 2024.
[14] M. D. Pratama, “Klasifikasi Penyakit Daun Pisang menggunakan Convolutional Neural Network (CNN),” Jurnal Teknologi Terpadu, vol. 10, no. 1, pp. 1-6, 2024.
[15] M. Faturrachman, “Deteksi Penyakit Pada Daun Singkong,” vol. 11, no. 6, pp. 5805-5813, 2022.
[16] A. Ristyawan, “Optimasi Preprocessing Model Random Forest Untuk Prediksi Stroke,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 12, no. 1, pp. 29-44, 2025.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Mediana Nurlailli, Rizma Agustin, Khaila Putri Yuanda, Bagus Ari Sudamto