Klasifikasi Penyakit Daun Pisang Menggunakan Metode CNN Berbasis Citra Digital
DOI:
https://doi.org/10.29407/z3f67269Keywords:
penyakit daun pisang, klasifikasi citra, CNN MobileNetV2, Transfer Learning, Confusion Matrix.Abstract
Penyakit daun pisang seperti cordana, pestalotiopsis, dan sigatoka dapat menurunkan kualitas daun dan produktivitas tanaman. Di lapangan, identifikasi penyakit masih sering dilakukan secara manual sehingga bergantung pada pengalaman pengamat dan berpotensi menghasilkan keputusan yang kurang konsisten, terutama ketika gejala antar penyakit tampak mirip. Penelitian ini bertujuan membangun sistem klasifikasi penyakit daun pisang berbasis citra digital menggunakan jaringan saraf konvolusional (CNN) dengan arsitektur MobileNetV2 melalui pendekatan transfer learning. Data yang digunakan adalah dataset publik Banana Leaf Spot Diseases (BananaLSD) berjumlah 2.537 citra dengan empat kelas: cordana, healthy, pestalotiopsis, dan sigatoka. Tahap pra-pemrosesan meliputi resize citra menjadi 224×224 piksel, normalisasi nilai piksel ke rentang 0–1, penyiapan label dalam bentuk numerik dan one-hot encoding, serta augmentasi pada data latih untuk meningkatkan variasi dan mengurangi overfitting. Data dibagi untuk pelatihan dan validasi menggunakan validation_split 80:20, kemudian performa diuji pada data yang tidak dilibatkan saat pelatihan. Evaluasi dilakukan menggunakan akurasi, precision, recall, dan F1-score, serta dianalisis melalui confusion matrix dan classification report untuk melihat kinerja per kelas. Hasil pengujian menunjukkan model mencapai akurasi 0,81 dengan performa yang baik pada kelas cordana dan sigatoka, sementara kelas pestalotiopsis masih memiliki recall rendah dan kelas healthy menunjukkan precision lebih rendah akibat adanya false positive. Temuan ini menunjukkan MobileNetV2 berpotensi digunakan sebagai solusi awal deteksi penyakit daun pisang berbasis citra, namun peningkatan pada kelas yang sulit masih diperlukan agar performa lebih merata
Downloads
References
[1] S. P. Biologi and U. Labuhanbatu, “Bioscientist : Jurnal Ilmiah Biologi ANALISIS MORFOLOGI TANAMAN PISANG KEPOK ( Musa paradisiaca Var . Balbisiana colla ) DI DESA TANJUNG SELAMAT Bioscientist : Jurnal Ilmiah Biologi PENDAHULUAN Desa Tanjung Selamat merupakan desa yang berada di daerah Kab,” vol. 11, no. 1, pp. 86–97, 2023.
[2] M. Duta Pratama, Rendra Gustriansyah, and Evi Purnamasari, “arahmah,+01-1167-Klasifikasi+Penyakit+Daun+Pisang+menggunakan+Convolutional+Neural+Network+(CNN),” J. Teknol. Terpadu, vol. 10, no. Vol. 10, No. 1, pp. 1–6, 2024.
[3] R. Ferdianysah, S. T. Arfian, R. A. O. Syah, and T. Agustin, “Klasifikasi Penyakit Daun Pisang Berbasis CNN Menggunakan Model GlobalAvaragePooling2D, AveragePooling, Dan Flaten,” Junal Semin. Naisional Amikom Surakarta, no. November, pp. 403–417, 2024.
[4] A. Kafilah Ba et al., “Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory),” vol. 10, no. 01, pp. 2657–1501, 2025.
[5] M. S. L. S. KEMBAREN, “SKRIPSI OLEH : FAKULTAS TEKNIK UNIVERSITAS MEDAN AREA MEDAN SKRIPSI Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana di Fakultas Teknik Universitas Medan Area Oleh : MICHAEL PRAYOGO SIAHAAN,” 2024.
[6] Wulandari, Sasmita, M. R. Mulia, A. B. Kaswar, D. D. Andayani, and A. S. Agung, “Klasifikasi Kandungan Nutrisi Buah Pisang Berdasarkan Fitur Tekstur dan Warna LAB menggunakan Jaringan Syaraf Tiruan Berbasis Pengloahan Citra Digital,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 3, pp. 507–518, 2024, doi: 10.25126/jtiik.938332.
[7] T. Halwa and S. Bahri, “Optimalisasi Model Convolutional Ne u ral Network dengan Arsitektur MobileNetV2 Pada Sistem Otomatis Deteksi Penyakit Tanaman Jagung Berdasarkan Citra Daun,” vol. 4, no. 1, pp. 82–91, 2025.
[8] M. Irvai and D. Mahdalena, “Penerapan Teknik Masking dan Augmentasi pada Arsitektur CNN dan MobileNetV2 untuk Klasifikasi Fase Pertumbuhan Tomat,” J. Tek. Inform. Unika ST. Thomas, vol. 10, no. 01, pp. 60–67, 2025.
[9] Ricky Putra Sardika and W. Widhiarso, “Klasifikasi Otomatis Tingkat Kerusakan Retak Bangunan pada Citra Digital Menggunakan MobileNetV2 dan Augmentasi Data,” Arcitech J. Comput. Sci. Artif. Intell., vol. 5, no. 1, pp. 108–124, 2025, doi: 10.29240/arcitech.v5i1.13938.
[10] Y. Miftahuddin and F. Zaelani, “Comparison of Efficientnet-B3 and Mobilenet-V2 Methods for Fruit Type Identification Using Leaf Features,” Fiqry Zaelani S J. Ilm. Teknol. Inf. Terap., vol. 9, no. 1, pp. 1–11, 2022.
[11] R. Agustin, M. Nurlailli, K. P. Yuanda, and B. A. Sudamto, “Deteksi Penyakit Daun Padi Menggunakan MobileNetV2: Pendekatan Deep Learning untuk Meningkatkan Ketahanan Produksi Pangan 1*,” Inotek, vol. 9, p. 1294, 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Septiana Cindi Pratiwi, Jesika Zandra Prastika Wahyudi
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
