Deteksi Penyakit Daun Padi Menggunakan MobileNetV2: Pendekatan Deep Learning untuk Meningkatkan Ketahanan Produksi Pangan
DOI:
https://doi.org/10.29407/tevj0k39Abstract
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.
Keywords:
MobileNetV2, Deep Learning, Platform Website, Penyakit Daun Padi##plugins.themes.default.displayStats.downloads##
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.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Mediana Nurlailli, Rizma Agustin, Khaila Putri Yuanda, Bagus Ari Sudamto
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
