Implementasi Machine Learning Untuk Deteksi Dini Penyakit Pada Tanaman Kentang Berbasis Citra Digital

Ios Widria Saragih; Rahmawati Rahmawati

doi:10.31004/riggs.v5i2.12398

Authors

Ios Widria Saragih Universitas Pamulang
Rahmawati Rahmawati Universitas Pamulang

DOI:

https://doi.org/10.31004/riggs.v5i2.12398

Keywords:

Convolutional Neural Network, Machine Learning, Deteksi Penyakit Tanaman, Kentang, Citra Digital

Abstract

Kentang merupakan komoditas hortikultura yang memiliki nilai ekonomi penting, namun rentan terhadap serangan penyakit daun. Proses identifikasi penyakit secara manual sering membutuhkan waktu dan berpotensi menimbulkan kesalahan dalam menentukan jenis penyakit. Untuk mengatasi permasalahan tersebut, diperlukan sistem yang mampu mendeteksi penyakit secara otomatis dan cepat. Penelitian ini bertujuan membangun sistem identifikasi dini penyakit tanaman kentang berbasis web menggunakan metode Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 575 citra daun kentang yang diperoleh melalui dokumentasi langsung di lapangan serta sumber daring Potato Disease Detection Dataset. Data dikelompokkan menjadi tiga kelas, yaitu daun sehat, bercak daun (early blight), dan busuk daun (late blight). Tahapan penelitian mencakup pra-pemrosesan citra, pelatihan model CNN, implementasi sistem menggunakan framework Flask, serta pengujian performa model. Hasil pelatihan menunjukkan model mencapai validation accuracy sebesar 91,86% dengan validation loss sebesar 0,5222. Pengujian menggunakan 86 data uji menghasilkan accuracy, precision, recall, dan F1-score masing-masing sebesar 92%. Hasil tersebut menunjukkan bahwa model mampu mengklasifikasikan kondisi daun kentang dengan baik. Penelitian ini menghasilkan aplikasi berbasis web yang membantu pengguna melakukan identifikasi dini penyakit tanaman kentang melalui pengunggahan citra daun secara cepat dan praktis. Sistem ini diharapkan dapat mendukung pengguna dalam memperoleh informasi awal mengenai kondisi daun sebelum dilakukan tindakan penanganan lebih lanjut secara tepat dan cepat.

Downloads

Download data is not yet available.

References

[1] J. Hendrawan, I. D. Perwitasari, and R. S. Ritonga, “Sistem Informasi Siskamling untuk Mewujudkan Desa Digital,” Jurnal Indonesia Manajemen Informatika dan Komunikasi (JIMIK), vol. 4, no. 2, pp. 652–661, 2023, doi: 10.35870/jimik.v4i2.263.

[2] R. Taufiq, D. Y. Prianggodo, Y. Sugiani, and N. Andini, “Penggunaan Metode Prototype pada Pengembangan Sistem Informasi Imunisasi Posyandu,” Jurnal Informatika (JIKA), vol. 7, no. 4, pp. 431–439, 2023, doi: 10.31000/jika.v7i4.9329.

[3] A. J. Rozaqi and A. Sunyoto, “Deteksi Penyakit pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network,” Creative Information Technology Journal (CITEC), vol. 8, no. 1, pp. 1–10, 2022, doi: 10.24076/citec.v8i1.263.

[4] A. Fuadi and A. Suharso, “Perbandingan Arsitektur MobileNet dan NASNetMobile untuk Klasifikasi Penyakit pada Citra Daun Kentang,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 7, no. 3, pp. 701–710, 2022, doi: 10.29100/jipi.v7i3.3026.

[5] M. K. Santosa and M. H., “Implementasi Arsitektur AlexNet dan ResNet34 pada Klasifikasi Citra Penyakit Daun Kentang Menggunakan Transfer Learning,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 5, pp. 3293–3301, 2023, doi: 10.36040/jati.v7i5.7337.

[6] A. D. Septian and A. S., “Implementasi Algoritma Convolutional Neural Network untuk Deteksi Penyakit Daun Kentang Menggunakan Citra Digital,” JINTEKS, vol. 6, no. 4, pp. 1017–1025, 2024, doi: 10.51401/jinteks.v6i4.4880.

[7] A. B. Faqih and D. A., “Identifikasi Penyakit Daun Tanaman Solanaceae dan Rosaceae Menggunakan Deep Learning,” Jurnal Teknologi Terpadu, vol. 10, no. 2, pp. 105–116, 2024, doi: 10.54914/jtt.v10i2.1440.

[8] M. Anshari and G. M., “Deteksi Penyakit Daun Kentang dengan Deep Learning Berbasis CNN MobileNet,” Jurnal Sistem dan Teknologi Informasi (JSSI), vol. 3, no. 3, pp. 90–95, 2025, doi: 10.31602/jssi.v3i3.20390.

[9] F. Putra, “Penerapan Teknologi Machine Learning dalam Deteksi Dini Penyakit pada Tanaman Pangan,” Jurnal Kolaborasi Sains dan Ilmu Terapan (JUKSIT), vol. 3, no. 1, pp. 1–5, 2024, doi: 10.69688/juksit.v3i1.50.

[10] O. M. Ma'arif and T. Kurniasih, “Sistem Inventory Berbasis Web Menggunakan Framework Flask: PT. Gagas Mitra Jaya (Area Salatiga),” Jurnal Indonesia Manajemen Informatika dan Komunikasi (JIMIK), vol. 5, no. 2, pp. 1947–1959, 2024, doi: 10.35870/jimik.v5i2.822.

[11] G. A. Rakhmat, D. Rosmala, A. Fathurohman, B. Prastyo, D. R. Fathi, H. A. Rahardito, and R. A. Rafid, "Perancangan Sistem Identifikasi Jenis Sampah Menggunakan TensorFlow Object Detection dan Transfer Learning," Jurnal Nasional Teknologi dan Sistem Informasi, vol. 10, no. 1, pp. 64–71, 2024, doi: 10.25077/TEKNOSI.v10i1.2024.64-71.

[12] A. T. Hidayati and A. E., “Perancangan Sistem Informasi Wirausaha Mahasiswa (SIWIRMA) Berbasis Web dengan Unified Modelling Language (UML),” JUPRIT, vol. 2, no. 4, pp. 86–107, 2023, doi: 10.55606/juprit.v2i4.2906.

[13] M. Iqbal and R. L., “Implementasi UML untuk Perancangan Sistem Informasi Pengadaan Barang pada RSUD Kota Bogor,” JEKIN, vol. 4, no. 2, pp. 263–274, 2024, doi: 10.58794/jekin.v4i2.727.

[14] Fikri, Hozairi, and Muhsi, “Analisis Pengujian Sistem Informasi MUI Kabupaten Pamekasan Menggunakan Metode Blackbox Functional Testing,” Mnemonic, vol. 5, no. 2, pp. 158–164, 2022, doi: 10.36040/mnemonic.v5i2.4803.

[15] I. N. Putra, K. S. Kartini, Y. K. Suyitno, and I. M. Sugiarta, “Penerapan Library TensorFlow, CvZone, dan NumPy pada Sistem Deteksi Bahasa Isyarat Secara Real Time,” Jurnal Krisnadana, vol. 2, no. 3, pp. 412–423, 2023, doi: 10.58982/krisnadana.v2i3.335.